「cs.CV」カテゴリーアーカイブ

3DLLM-Mem: Long-Term Spatial-Temporal Memory for Embodied 3D Large Language Model

投稿日: 2025年5月29日 作成者: jarxiv

要約 人間は、時間的および空間的経験を越えて長期的なメモリを活用することにより、 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG | 3DLLM-Mem: Long-Term Spatial-Temporal Memory for Embodied 3D Large Language Model はコメントを受け付けていません

Training Free Stylized Abstraction

投稿日: 2025年5月29日 作成者: jarxiv

要約 様式化された抽象化は、視覚的に誇張されているが意味的に忠実な被験者の表現を … 続きを読む →

カテゴリー: cs.CV | Training Free Stylized Abstraction はコメントを受け付けていません

Zero-Shot Vision Encoder Grafting via LLM Surrogates

投稿日: 2025年5月29日 作成者: jarxiv

要約 ビジョン言語モデル（VLMS）は通常、控えめなサイズのビジョンエンコーダー … 続きを読む →

カテゴリー: cs.CV | Zero-Shot Vision Encoder Grafting via LLM Surrogates はコメントを受け付けていません

MagicTryOn: Harnessing Diffusion Transformer for Garment-Preserving Video Virtual Try-on

投稿日: 2025年5月29日 作成者: jarxiv

要約 Video Virtual Try-On（VVT）は、連続したビデオフレー … 続きを読む →

カテゴリー: cs.CV | MagicTryOn: Harnessing Diffusion Transformer for Garment-Preserving Video Virtual Try-on はコメントを受け付けていません

HoliTom: Holistic Token Merging for Fast Video Large Language Models

投稿日: 2025年5月29日 作成者: jarxiv

要約 ビデオ大規模な言語モデル（ビデオLLM）はビデオ理解に優れていますが、冗長 … 続きを読む →

カテゴリー: cs.CV | HoliTom: Holistic Token Merging for Fast Video Large Language Models はコメントを受け付けていません

Visuospatial Cognitive Assistant

投稿日: 2025年5月29日 作成者: jarxiv

要約 ビデオベースの空間認知は、ロボット工学と具体化されたAIにとって不可欠です … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.RO | Visuospatial Cognitive Assistant はコメントを受け付けていません

Towards Visuospatial Cognition via Hierarchical Fusion of Visual Experts

投稿日: 2025年5月29日 作成者: jarxiv

要約 マルチモーダルの大手言語モデル（MLLM）は一般的なビジョン言語タスクに優 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.RO | Towards Visuospatial Cognition via Hierarchical Fusion of Visual Experts はコメントを受け付けていません

AgriFM: A Multi-source Temporal Remote Sensing Foundation Model for Crop Mapping

投稿日: 2025年5月29日 作成者: jarxiv

要約 正確な作物マッピングは、個々のフィールドテクスチャから景観レベルのコンテキ … 続きを読む →

カテゴリー: cs.CV, cs.LG | AgriFM: A Multi-source Temporal Remote Sensing Foundation Model for Crop Mapping はコメントを受け付けていません

QUART-Online: Latency-Free Large Multimodal Language Model for Quadruped Robot Learning

投稿日: 2025年5月28日 作成者: jarxiv

要約 このペーパーでは、四足動物言語アクション（quar-VLA）タスクにマルチ … 続きを読む →

カテゴリー: cs.CV, cs.RO | QUART-Online: Latency-Free Large Multimodal Language Model for Quadruped Robot Learning はコメントを受け付けていません

Spatial RoboGrasp: Generalized Robotic Grasping Control Policy

投稿日: 2025年5月28日 作成者: jarxiv

要約 主に空間的知覚の制限のため、多様な環境で一般化可能で正確なロボット操作を達 … 続きを読む →

カテゴリー: cs.CV, cs.RO | Spatial RoboGrasp: Generalized Robotic Grasping Control Policy はコメントを受け付けていません