「cs.CV」カテゴリーアーカイブ

CoMo: Learning Continuous Latent Motion from Internet Videos for Scalable Robot Learning

投稿日: 2025年5月23日 作成者: jarxiv

要約 インターネットビデオからの潜在的な動きを学ぶことは、ジェネラリストのロボッ … 続きを読む →

カテゴリー: cs.CV, cs.RO | CoMo: Learning Continuous Latent Motion from Internet Videos for Scalable Robot Learning はコメントを受け付けていません

Deep mineralogical segmentation of thin section images based on QEMSCAN maps

投稿日: 2025年5月23日 作成者: jarxiv

要約 岩の薄切片の鉱物学的側面を解釈することは、石油とガスの貯水池の評価にとって … 続きを読む →

カテゴリー: cs.CV, eess.IV | Deep mineralogical segmentation of thin section images based on QEMSCAN maps はコメントを受け付けていません

Learning Adaptive and Temporally Causal Video Tokenization in a 1D Latent Space

投稿日: 2025年5月23日 作成者: jarxiv

要約 ビデオコンテンツに基づいてさまざまなフレームにトークンを柔軟に割り当てるこ … 続きを読む →

カテゴリー: cs.CV | Learning Adaptive and Temporally Causal Video Tokenization in a 1D Latent Space はコメントを受け付けていません

SpatialScore: Towards Unified Evaluation for Multimodal Spatial Understanding

投稿日: 2025年5月23日 作成者: jarxiv

要約 マルチモーダル大手言語モデル（MLLM）は、問題を解決するタスクで印象的な … 続きを読む →

カテゴリー: cs.AI, cs.CV | SpatialScore: Towards Unified Evaluation for Multimodal Spatial Understanding はコメントを受け付けていません

When Are Concepts Erased From Diffusion Models?

投稿日: 2025年5月23日 作成者: jarxiv

要約 モデルが特定の概念を生成するのを選択的に防止する能力である概念消去は、関心 … 続きを読む →

カテゴリー: cs.CV, cs.LG | When Are Concepts Erased From Diffusion Models? はコメントを受け付けていません

Multi-SpatialMLLM: Multi-Frame Spatial Understanding with Multi-Modal Large Language Models

投稿日: 2025年5月23日 作成者: jarxiv

要約 マルチモーダルの大手言語モデル（MLLM）は視覚的なタスクで急速に進歩して … 続きを読む →

カテゴリー: cs.CL, cs.CV | Multi-SpatialMLLM: Multi-Frame Spatial Understanding with Multi-Modal Large Language Models はコメントを受け付けていません

Interactive Post-Training for Vision-Language-Action Models

投稿日: 2025年5月23日 作成者: jarxiv

要約 リップVLAを紹介します。これは、スパースバイナリの成功報酬のみを使用して … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.RO | Interactive Post-Training for Vision-Language-Action Models はコメントを受け付けていません

Delving into RL for Image Generation with CoT: A Study on DPO vs. GRPO

投稿日: 2025年5月23日 作成者: jarxiv

要約 最近の進歩は、大規模な言語モデル（LLM）の考え方（COT）の推論能力を高 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG | Delving into RL for Image Generation with CoT: A Study on DPO vs. GRPO はコメントを受け付けていません

CrossLMM: Decoupling Long Video Sequences from LMMs via Dual Cross-Attention Mechanisms

投稿日: 2025年5月23日 作成者: jarxiv

要約 大規模なマルチモーダルモデル（LMMS）の出現により、多様なデータモダリテ … 続きを読む →

カテゴリー: cs.CV | CrossLMM: Decoupling Long Video Sequences from LMMs via Dual Cross-Attention Mechanisms はコメントを受け付けていません

Let Androids Dream of Electric Sheep: A Human-like Image Implication Understanding and Reasoning Framework

投稿日: 2025年5月23日 作成者: jarxiv

要約 既存のモデルは、視覚コンテンツに組み込まれた微妙な文化的、感情的、文脈的意 … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.CY | Let Androids Dream of Electric Sheep: A Human-like Image Implication Understanding and Reasoning Framework はコメントを受け付けていません