「cs.CV」カテゴリーアーカイブ

Raw2Drive: Reinforcement Learning with Aligned World Models for End-to-End Autonomous Driving (in CARLA v2)

投稿日: 2025年5月23日 作成者: jarxiv

要約 補強学習（RL）は、模倣学習（IL）に固有の因果的混乱と分布シフトを軽減で … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.RO | Raw2Drive: Reinforcement Learning with Aligned World Models for End-to-End Autonomous Driving (in CARLA v2) はコメントを受け付けていません

ManipLVM-R1: Reinforcement Learning for Reasoning in Embodied Manipulation with Large Vision-Language Models

投稿日: 2025年5月23日 作成者: jarxiv

要約 大規模なビジョン言語モデル（LVLMS）は、最近、シーンの知覚と指示のため … 続きを読む →

カテゴリー: cs.CV, cs.RO | ManipLVM-R1: Reinforcement Learning for Reasoning in Embodied Manipulation with Large Vision-Language Models はコメントを受け付けていません

GOTPR: General Outdoor Text-based Place Recognition Using Scene Graph Retrieval with OpenStreetMap

投稿日: 2025年5月23日 作成者: jarxiv

要約 GOTPRは、GPS信号が利用できない屋外環境向けに設計された堅牢な場所認 … 続きを読む →

カテゴリー: cs.CV, cs.RO | GOTPR: General Outdoor Text-based Place Recognition Using Scene Graph Retrieval with OpenStreetMap はコメントを受け付けていません

Perceptual Quality Assessment for Embodied AI

投稿日: 2025年5月23日 作成者: jarxiv

要約 具体化されたAIは近年急速に発達していますが、それでも主に研究所に展開され … 続きを読む →

カテゴリー: cs.CV, cs.RO | Perceptual Quality Assessment for Embodied AI はコメントを受け付けていません

Action2Dialogue: Generating Character-Centric Narratives from Scene-Level Prompts

投稿日: 2025年5月23日 作成者: jarxiv

要約 シーンベースのビデオ生成の最近の進歩により、システムは構造化されたプロンプ … 続きを読む →

カテゴリー: cs.CV | Action2Dialogue: Generating Character-Centric Narratives from Scene-Level Prompts はコメントを受け付けていません

Retrieval-Augmented Perception: High-Resolution Image Perception Meets Visual RAG

投稿日: 2025年5月23日 作成者: jarxiv

要約 高解像度（HR）画像認識は、マルチモーダル大手言語モデル（MLLM）の重要 … 続きを読む →

カテゴリー: cs.CL, cs.CV | Retrieval-Augmented Perception: High-Resolution Image Perception Meets Visual RAG はコメントを受け付けていません

DongbaMIE: A Multimodal Information Extraction Dataset for Evaluating Semantic Understanding of Dongba Pictograms

投稿日: 2025年5月23日 作成者: jarxiv

要約 Dongbaの絵文字は、世界でまだ使用されている唯一の絵文字スクリプトです … 続きを読む →

カテゴリー: cs.CV | DongbaMIE: A Multimodal Information Extraction Dataset for Evaluating Semantic Understanding of Dongba Pictograms はコメントを受け付けていません

From EduVisBench to EduVisAgent: A Benchmark and Multi-Agent Framework for Pedagogical Visualization

投稿日: 2025年5月23日 作成者: jarxiv

要約 拡散モデルや大規模な視覚言語モデル（LVLMS）などの基礎モデル（FMS） … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG | From EduVisBench to EduVisAgent: A Benchmark and Multi-Agent Framework for Pedagogical Visualization はコメントを受け付けていません

Fact-R1: Towards Explainable Video Misinformation Detection with Deep Reasoning

投稿日: 2025年5月23日 作成者: jarxiv

要約 ソーシャルメディアでのマルチモーダル誤った情報の急速な広がりは、懸念の高ま … 続きを読む →

カテゴリー: cs.AI, cs.CV | Fact-R1: Towards Explainable Video Misinformation Detection with Deep Reasoning はコメントを受け付けていません

LaViDa: A Large Diffusion Language Model for Multimodal Understanding

投稿日: 2025年5月23日 作成者: jarxiv

要約 最新のビジョン言語モデル（VLM）は、視覚的な推論を必要とする幅広いタスク … 続きを読む →

カテゴリー: cs.CV | LaViDa: A Large Diffusion Language Model for Multimodal Understanding はコメントを受け付けていません