「cs.CV」カテゴリーアーカイブ

VideoCAD: A Large-Scale Video Dataset for Learning UI Interactions and 3D Reasoning from CAD Software

投稿日: 2025年6月2日 作成者: jarxiv

要約 コンピューター支援設計（CAD）は、時間のかかる複雑なプロセスであり、複雑 … 続きを読む →

カテゴリー: cs.AI, cs.CV | VideoCAD: A Large-Scale Video Dataset for Learning UI Interactions and 3D Reasoning from CAD Software はコメントを受け付けていません

Vision LLMs Are Bad at Hierarchical Visual Understanding, and LLMs Are the Bottleneck

投稿日: 2025年6月2日 作成者: jarxiv

要約 このペーパーでは、最先端の大規模な言語モデル（LLM）が私たちの視覚的世界 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG | Vision LLMs Are Bad at Hierarchical Visual Understanding, and LLMs Are the Bottleneck はコメントを受け付けていません

Reading Recognition in the Wild

投稿日: 2025年6月2日 作成者: jarxiv

要約 常にオンのスマートメガネでエゴセントリックコンテキストAIを有効にするには … 続きを読む →

カテゴリー: cs.CV, cs.LG | Reading Recognition in the Wild はコメントを受け付けていません

MSVCOD:A Large-Scale Multi-Scene Dataset for Video Camouflage Object Detection

投稿日: 2025年6月2日 作成者: jarxiv

要約 ビデオカモフラージュオブジェクト検出（VCOD）は、ビデオのバックグラウン … 続きを読む →

カテゴリー: cs.CV | MSVCOD:A Large-Scale Multi-Scene Dataset for Video Camouflage Object Detection はコメントを受け付けていません

V2SFlow: Video-to-Speech Generation with Speech Decomposition and Rectified Flow

投稿日: 2025年6月2日 作成者: jarxiv

要約 このペーパーでは、静かな話の顔のビデオから直接自然でわかりやすいスピーチを … 続きを読む →

カテゴリー: cs.CV, cs.SD, eess.AS | V2SFlow: Video-to-Speech Generation with Speech Decomposition and Rectified Flow はコメントを受け付けていません

ViStoryBench: Comprehensive Benchmark Suite for Story Visualization

投稿日: 2025年6月2日 作成者: jarxiv

要約 特定の物語および参照画像に合わせて視覚的に一貫した画像のシーケンスを生成す … 続きを読む →

カテゴリー: cs.CV | ViStoryBench: Comprehensive Benchmark Suite for Story Visualization はコメントを受け付けていません

TalkingHeadBench: A Multi-Modal Benchmark & Analysis of Talking-Head DeepFake Detection

投稿日: 2025年6月2日 作成者: jarxiv

要約 高度な生成モデルによって促進されたトーキングヘッドディープファークジェネレ … 続きを読む →

カテゴリー: cs.CV | TalkingHeadBench: A Multi-Modal Benchmark & Analysis of Talking-Head DeepFake Detection はコメントを受け付けていません

Time Blindness: Why Video-Language Models Can’t See What Humans Can?

投稿日: 2025年6月2日 作成者: jarxiv

要約 ビジョン言語モデル（VLM）の最近の進歩は、ビデオで時空間的関係を理解する … 続きを読む →

カテゴリー: cs.AI, cs.CV | Time Blindness: Why Video-Language Models Can’t See What Humans Can? はコメントを受け付けていません

SiLVR: A Simple Language-based Video Reasoning Framework

投稿日: 2025年6月2日 作成者: jarxiv

要約 テスト時間最適化の最近の進歩により、大規模な言語モデル（LLM）の顕著な推 … 続きを読む →

カテゴリー: cs.CV | SiLVR: A Simple Language-based Video Reasoning Framework はコメントを受け付けていません

GenSpace: Benchmarking Spatially-Aware Image Generation

投稿日: 2025年6月2日 作成者: jarxiv

要約 人間は、写真のために3Dスペースでシーンを直感的に構成して配置できます。 … 続きを読む →

カテゴリー: cs.CV | GenSpace: Benchmarking Spatially-Aware Image Generation はコメントを受け付けていません