「cs.CV」カテゴリーアーカイブ

MoDoMoDo: Multi-Domain Data Mixtures for Multimodal LLM Reinforcement Learning

投稿日: 2025年6月2日 作成者: jarxiv

要約 検証可能な報酬（RLVR）による強化学習は、最近、トレーニング後の大手言語 … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG | MoDoMoDo: Multi-Domain Data Mixtures for Multimodal LLM Reinforcement Learning はコメントを受け付けていません

ProxyThinker: Test-Time Guidance through Small Visual Reasoners

投稿日: 2025年6月2日 作成者: jarxiv

要約 検証可能な報酬による強化学習の最近の進歩により、大規模なビジョン言語モデル … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV | ProxyThinker: Test-Time Guidance through Small Visual Reasoners はコメントを受け付けていません

MiniMax-Remover: Taming Bad Noise Helps Video Object Removal

投稿日: 2025年6月2日 作成者: jarxiv

要約 ビデオ拡散モデルの最近の進歩により、ビデオ編集技術の急速な進歩が促進されて … 続きを読む →

カテゴリー: cs.CV | MiniMax-Remover: Taming Bad Noise Helps Video Object Removal はコメントを受け付けていません

ReasonGen-R1: CoT for Autoregressive Image generation models through SFT and RL

投稿日: 2025年6月2日 作成者: jarxiv

要約 考え方の推論と強化学習（RL）がNLPのブレークスルーを駆動していますが、 … 続きを読む →

カテゴリー: cs.CL, cs.CV | ReasonGen-R1: CoT for Autoregressive Image generation models through SFT and RL はコメントを受け付けていません

Agent-X: Evaluating Deep Multimodal Reasoning in Vision-Centric Agentic Tasks

投稿日: 2025年6月2日 作成者: jarxiv

要約 深い推論は、特に順次のマルチモーダル理解を必要とする視覚中心のシナリオで、 … 続きを読む →

カテゴリー: cs.CL, cs.CV | Agent-X: Evaluating Deep Multimodal Reasoning in Vision-Centric Agentic Tasks はコメントを受け付けていません

AdaHuman: Animatable Detailed 3D Human Generation with Compositional Multiview Diffusion

投稿日: 2025年6月2日 作成者: jarxiv

要約 画像間のアバター世代の既存の方法は、実際のアプリケーションに適した非常に詳 … 続きを読む →

カテゴリー: cs.CV | AdaHuman: Animatable Detailed 3D Human Generation with Compositional Multiview Diffusion はコメントを受け付けていません

Open CaptchaWorld: A Comprehensive Web-based Platform for Testing and Benchmarking Multimodal LLM Agents

投稿日: 2025年6月2日 作成者: jarxiv

要約 Captchasは、実際のアプリケーションにWebエージェントを展開するた … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG | Open CaptchaWorld: A Comprehensive Web-based Platform for Testing and Benchmarking Multimodal LLM Agents はコメントを受け付けていません

OpenUni: A Simple Baseline for Unified Multimodal Understanding and Generation

投稿日: 2025年6月2日 作成者: jarxiv

要約 このレポートでは、マルチモーダルの理解と生成を統合するためのシンプルで軽量 … 続きを読む →

カテゴリー: cs.CV | OpenUni: A Simple Baseline for Unified Multimodal Understanding and Generation はコメントを受け付けていません

ZPressor: Bottleneck-Aware Compression for Scalable Feed-Forward 3DGS

投稿日: 2025年6月2日 作成者: jarxiv

要約 フィードフォワード3Dガウススプラッティング（3DGS）モデルは最近、新し … 続きを読む →

カテゴリー: cs.CV | ZPressor: Bottleneck-Aware Compression for Scalable Feed-Forward 3DGS はコメントを受け付けていません

Anomalies by Synthesis: Anomaly Detection using Generative Diffusion Models for Off-Road Navigation

投稿日: 2025年5月30日 作成者: jarxiv

要約 オフロードおよび非構造化されていない環境で安全かつ確実にナビゲートするため … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.RO | Anomalies by Synthesis: Anomaly Detection using Generative Diffusion Models for Off-Road Navigation はコメントを受け付けていません