「cs.CV」カテゴリーアーカイブ

Shielded Diffusion: Generating Novel and Diverse Images using Sparse Repellency

投稿日: 2025年5月29日 作成者: jarxiv

要約 テキスト間拡散モデルの採用は、信頼性に対する懸念を引き起こし、キャリブレー … 続きを読む →

カテゴリー: cs.CV, cs.LG, stat.ML | Shielded Diffusion: Generating Novel and Diverse Images using Sparse Repellency はコメントを受け付けていません

RICO: Improving Accuracy and Completeness in Image Recaptioning via Visual Reconstruction

投稿日: 2025年5月29日 作成者: jarxiv

要約 画像の復帰は、さまざまなマルチモーダルタスクの品質が向上したトレーニングデ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV | RICO: Improving Accuracy and Completeness in Image Recaptioning via Visual Reconstruction はコメントを受け付けていません

PS4PRO: Pixel-to-pixel Supervision for Photorealistic Rendering and Optimization

投稿日: 2025年5月29日 作成者: jarxiv

要約 ニューラルレンダリング方法は、2D画像から3Dシーンを再構築する能力に大き … 続きを読む →

カテゴリー: cs.CV, eess.IV | PS4PRO: Pixel-to-pixel Supervision for Photorealistic Rendering and Optimization はコメントを受け付けていません

Chain-of-Talkers (CoTalk): Fast Human Annotation of Dense Image Captions

投稿日: 2025年5月29日 作成者: jarxiv

要約 密に注釈付きの画像キャプションは、堅牢な視覚系のアラインメントの学習を大幅 … 続きを読む →

カテゴリー: cs.CL, cs.CV | Chain-of-Talkers (CoTalk): Fast Human Annotation of Dense Image Captions はコメントを受け付けていません

Spatial Knowledge Graph-Guided Multimodal Synthesis

投稿日: 2025年5月29日 作成者: jarxiv

要約 マルチモーダル大手言語モデル（MLLM）の最近の進歩により、能力が大幅に向 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.MM | Spatial Knowledge Graph-Guided Multimodal Synthesis はコメントを受け付けていません

ObjectClear: Complete Object Removal via Object-Effect Attention

投稿日: 2025年5月29日 作成者: jarxiv

要約 オブジェクトの削除には、ターゲットオブジェクトだけでなく、影や反射などの効 … 続きを読む →

カテゴリー: cs.CV | ObjectClear: Complete Object Removal via Object-Effect Attention はコメントを受け付けていません

SPIRAL: Semantic-Aware Progressive LiDAR Scene Generation

投稿日: 2025年5月29日 作成者: jarxiv

要約 最近の拡散モデルを活用して、LIDARベースの大規模な3Dシーン生成は大き … 続きを読む →

カテゴリー: cs.CV | SPIRAL: Semantic-Aware Progressive LiDAR Scene Generation はコメントを受け付けていません

Let Them Talk: Audio-Driven Multi-Person Conversational Video Generation

投稿日: 2025年5月29日 作成者: jarxiv

要約 トーキングヘッドやトーキングボディジェネレーションなどのオーディオ駆動型の … 続きを読む →

カテゴリー: cs.CV | Let Them Talk: Audio-Driven Multi-Person Conversational Video Generation はコメントを受け付けていません

Sherlock: Self-Correcting Reasoning in Vision-Language Models

投稿日: 2025年5月29日 作成者: jarxiv

要約 推論ビジョン言語モデル（VLM）は、複雑なマルチモーダルタスクで有望なパフ … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG | Sherlock: Self-Correcting Reasoning in Vision-Language Models はコメントを受け付けていません

VScan: Rethinking Visual Token Reduction for Efficient Large Vision-Language Models

投稿日: 2025年5月29日 作成者: jarxiv

要約 最近の大規模な視覚言語モデル（LVLMS）は、より細かい粒度の視覚的知覚と … 続きを読む →

カテゴリー: cs.CV | VScan: Rethinking Visual Token Reduction for Efficient Large Vision-Language Models はコメントを受け付けていません