「cs.CV」カテゴリーアーカイブ

Scaling Text-Rich Image Understanding via Code-Guided Synthetic Multimodal Data Generation

投稿日: 2025年2月21日 作成者: jarxiv

要約 チャートやドキュメントなどの豊富なテキストを持つ画像に関する推論は、ビジョ … 続きを読む →

カテゴリー: cs.CL, cs.CV | Scaling Text-Rich Image Understanding via Code-Guided Synthetic Multimodal Data Generation はコメントを受け付けていません

VidStyleODE: Disentangled Video Editing via StyleGAN and NeuralODEs

投稿日: 2025年2月21日 作成者: jarxiv

要約 $ \ textbf {vidstyleode} $を提案します。 生成敵 … 続きを読む →

カテゴリー: cs.CV | VidStyleODE: Disentangled Video Editing via StyleGAN and NeuralODEs はコメントを受け付けていません

Benchmarking Multimodal RAG through a Chart-based Document Question-Answering Generation Framework

投稿日: 2025年2月21日 作成者: jarxiv

要約 マルチモーダル検索の高等世代（MRAG）は、外部の知識を統合することにより … 続きを読む →

カテゴリー: cs.AI, cs.CV | Benchmarking Multimodal RAG through a Chart-based Document Question-Answering Generation Framework はコメントを受け付けていません

Time Travel: A Comprehensive Benchmark to Evaluate LMMs on Historical and Cultural Artifacts

投稿日: 2025年2月21日 作成者: jarxiv

要約 歴史的および文化的アーティファクトを理解するには、人間の専門知識と高度な計 … 続きを読む →

カテゴリー: cs.CV, cs.LG | Time Travel: A Comprehensive Benchmark to Evaluate LMMs on Historical and Cultural Artifacts はコメントを受け付けていません

Generalizable Humanoid Manipulation with 3D Diffusion Policies

投稿日: 2025年2月20日 作成者: jarxiv

要約 多様な環境で自律的な操作が可能なヒューマノイドロボットは、長い間ロボット奏 … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.RO | Generalizable Humanoid Manipulation with 3D Diffusion Policies はコメントを受け付けていません

BFA: Best-Feature-Aware Fusion for Multi-View Fine-grained Manipulation

投稿日: 2025年2月20日 作成者: jarxiv

要約 実際のシナリオでは、通常、マルチビューカメラが微調整された操作タスクに採用 … 続きを読む →

カテゴリー: cs.CV, cs.RO | BFA: Best-Feature-Aware Fusion for Multi-View Fine-grained Manipulation はコメントを受け付けていません

Improving Collision-Free Success Rate For Object Goal Visual Navigation Via Two-Stage Training With Collision Prediction

投稿日: 2025年2月20日 作成者: jarxiv

要約 オブジェクト目標の視覚ナビゲーションは、エゴセントリックな視覚観測を使用し … 続きを読む →

カテゴリー: cs.CV, cs.RO | Improving Collision-Free Success Rate For Object Goal Visual Navigation Via Two-Stage Training With Collision Prediction はコメントを受け付けていません

Towards Fusing Point Cloud and Visual Representations for Imitation Learning

投稿日: 2025年2月20日 作成者: jarxiv

要約 操作のための学習には、ポイントクラウドやRGB画像などの豊富な感覚情報にア … 続きを読む →

カテゴリー: cs.CV, cs.RO | Towards Fusing Point Cloud and Visual Representations for Imitation Learning はコメントを受け付けていません

Generalized Robot 3D Vision-Language Model with Fast Rendering and Pre-Training Vision-Language Alignment

投稿日: 2025年2月20日 作成者: jarxiv

要約 ディープニューラルネットワークモデルは、クローズドセットの設定でトレーニン … 続きを読む →

カテゴリー: cs.CV, cs.RO | Generalized Robot 3D Vision-Language Model with Fast Rendering and Pre-Training Vision-Language Alignment はコメントを受け付けていません

MonoForce: Learnable Image-conditioned Physics Engine

投稿日: 2025年2月20日 作成者: jarxiv

要約 オンボードカメラの画像からの大まかなオフロード地形でのロボット軌跡の予測の … 続きを読む →

カテゴリー: cs.CV, cs.RO | MonoForce: Learnable Image-conditioned Physics Engine はコメントを受け付けていません