「cs.CV」カテゴリーアーカイブ

Language-Image Alignment with Fixed Text Encoders

投稿日: 2025年6月5日 作成者: jarxiv

要約 現在、言語と画像のアライメントを確立するための最も一般的なアプローチは、C … 続きを読む →

カテゴリー: cs.CV | コメントする

Diffusion Domain Teacher: Diffusion Guided Domain Adaptive Object Detector

投稿日: 2025年6月5日 作成者: jarxiv

要約 物体検出器は、学習データ（ソースドメイン）と実世界データ（ターゲットドメイ … 続きを読む →

カテゴリー: cs.CV | コメントする

FullDiT2: Efficient In-Context Conditioning for Video Diffusion Transformers

投稿日: 2025年6月5日 作成者: jarxiv

要約 ビデオ拡散変換器におけるきめ細かく効率的な制御可能性は、その適用性に対する … 続きを読む →

カテゴリー: cs.CV | コメントする

Sounding that Object: Interactive Object-Aware Image to Audio Generation

投稿日: 2025年6月5日 作成者: jarxiv

要約 複雑なオーディオビジュアルシーンに対して正確なサウンドを生成することは、特 … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.MM, cs.SD, eess.AS | コメントする

UNIC: Unified In-Context Video Editing

投稿日: 2025年6月5日 作成者: jarxiv

要約 テキストからビデオへの生成における最近の進歩は、生成的なビデオ編集タスクへ … 続きを読む →

カテゴリー: cs.CV | コメントする

Pseudo-Simulation for Autonomous Driving

投稿日: 2025年6月5日 作成者: jarxiv

要約 自律走行車（AV）に対する既存の評価パラダイムは、決定的な限界に直面してい … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.RO | コメントする

Struct2D: A Perception-Guided Framework for Spatial Reasoning in Large Multimodal Models

投稿日: 2025年6月5日 作成者: jarxiv

要約 大規模マルチモーダルモデル（LMM）における空間推論を解き明かすことは、3 … 続きを読む →

カテゴリー: cs.CV | コメントする

Seeing in the Dark: Benchmarking Egocentric 3D Vision with the Oxford Day-and-Night Dataset

投稿日: 2025年6月5日 作成者: jarxiv

要約 オックスフォード・デイ・アンド・ナイト（Oxford Day-and-Ni … 続きを読む →

カテゴリー: cs.CV | コメントする

Voyager: Long-Range and World-Consistent Video Diffusion for Explorable 3D Scene Generation

投稿日: 2025年6月5日 作成者: jarxiv

要約 ビデオゲームやバーチャルリアリティのような実世界のアプリケーションでは、ユ … 続きを読む →

カテゴリー: cs.CV | コメントする

Object-centric 3D Motion Field for Robot Learning from Human Videos

投稿日: 2025年6月5日 作成者: jarxiv

要約 人間の映像からロボットの制御方針を学習することは、ロボット学習のスケールア … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.RO, cs.SY, eess.SY | コメントする