-
最近の投稿
- Design of an End-effector with Application to Avocado Harvesting
- Active Human Pose Estimation via an Autonomous UAV Agent
- Equivariant Diffusion Policy
- Empathic Grounding: Explorations using Multimodal Interaction and Large Language Models with Conversational Agents
- LHManip: A Dataset for Long-Horizon Language-Grounded Manipulation Tasks in Cluttered Tabletop Environments
-
最近のコメント
表示できるコメントはありません。 cs.AI (23553) cs.CL (17693) cs.CR (1841) cs.CV (30612) cs.LG (28313) cs.RO (13198) cs.SY (2095) eess.IV (3775) eess.SY (2090) stat.ML (3894)
「cs.MM」カテゴリーアーカイブ
SlideAVSR: A Dataset of Paper Explanation Videos for Audio-Visual Speech Recognition
要約 オーディオビジュアル音声認識 (AVSR) は、自動音声認識 (ASR) … 続きを読む
SafaRi:Adaptive Sequence Transformer for Weakly Supervised Referring Expression Segmentation
要約 参照表現セグメンテーション (RES) は、テキストによって参照される画像 … 続きを読む
Video Watermarking: Safeguarding Your Video from (Unauthorized) Annotations by Video-based LLMs
要約 ビデオベースの大規模言語モデル (LLM) の出現により、ビデオの理解が大 … 続きを読む
Proceedings of The second international workshop on eXplainable AI for the Arts (XAIxArts)
要約 Explainable AI for the Arts (XAIxArts … 続きを読む
MetaDesigner: Advancing Artistic Typography through AI-Driven, User-Centric, and Multilingual WordArt Synthesis
要約 MetaDesigner は、ラージ言語モデル (LLM) の強みを活用し … 続きを読む
Kandinsky 3.0 Technical Report
要約 我々は、潜在拡散に基づく大規模なテキストから画像への生成モデルである Ka … 続きを読む
Taming Data and Transformers for Audio Generation
要約 環境音や環境効果の生成は、データ不足とキャプションの品質が不十分なことが多 … 続きを読む
SonicSense: Object Perception from In-Hand Acoustic Vibration
要約 SonicSense は、ハードウェアとソフトウェアの総合的な設計であり、 … 続きを読む
Videogenic: Identifying Highlight Moments in Videos with Professional Photographs as a Prior
要約 この論文では、ビデオからハイライトの瞬間を抽出するという課題について調査し … 続きを読む