「cs.MM」カテゴリーアーカイブ

HaloQuest: A Visual Hallucination Dataset for Advancing Multimodal Reasoning

投稿日: 2024年7月23日 作成者: jarxiv

要約 幻覚は大規模な言語モデルにとって大きな問題であり、視覚言語モデル (VLM … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.MM | HaloQuest: A Visual Hallucination Dataset for Advancing Multimodal Reasoning はコメントを受け付けていません

Multimodal Misinformation Detection using Large Vision-Language Models

投稿日: 2024年7月22日 作成者: jarxiv

要約 誤った情報の蔓延とその憂慮すべき影響により、産業界と学界の両方が誤った情報 … 続きを読む →

カテゴリー: cs.CL, cs.IR, cs.MM | Multimodal Misinformation Detection using Large Vision-Language Models はコメントを受け付けていません

Towards Assessing Data Replication in Music Generation with Music Similarity Metrics on Raw Audio

投稿日: 2024年7月22日 作成者: jarxiv

要約 音楽生成における最近の進歩により、創造的な音楽プロセス、現在のビジネス モ … 続きを読む →

カテゴリー: cs.AI, cs.MM, cs.SD, eess.AS | Towards Assessing Data Replication in Music Generation with Music Similarity Metrics on Raw Audio はコメントを受け付けていません

Aligning Sight and Sound: Advanced Sound Source Localization Through Audio-Visual Alignment

投稿日: 2024年7月19日 作成者: jarxiv

要約 学習ベースの音源定位に関する最近の研究は、主に定位パフォーマンスの観点に焦 … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | Aligning Sight and Sound: Advanced Sound Source Localization Through Audio-Visual Alignment はコメントを受け付けていません

Show Me the World in My Language: Establishing the First Baseline for Scene-Text to Scene-Text Translation

投稿日: 2024年7月18日 作成者: jarxiv

要約 この研究では、シーンのテキストをソース言語 (ヒンディー語など) からター … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.MM | Show Me the World in My Language: Establishing the First Baseline for Scene-Text to Scene-Text Translation はコメントを受け付けていません

Lightning Fast Video Anomaly Detection via Adversarial Knowledge Distillation

投稿日: 2024年7月18日 作成者: jarxiv

要約 我々は、ビデオの異常検出のための非常に高速なフレームレベルのモデルを提案し … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.MM, stat.ML | Lightning Fast Video Anomaly Detection via Adversarial Knowledge Distillation はコメントを受け付けていません

MMSD-Net: Towards Multi-modal Stuttering Detection

投稿日: 2024年7月17日 作成者: jarxiv

要約 吃音は、音声生成の不規則な中断によって引き起こされる一般的な音声障害であり … 続きを読む →

カテゴリー: cs.CL, cs.MM, cs.SD, eess.AS | MMSD-Net: Towards Multi-modal Stuttering Detection はコメントを受け付けていません

MotionCtrl: A Unified and Flexible Motion Controller for Video Generation

投稿日: 2024年7月17日 作成者: jarxiv

要約 ビデオ内の動きは主に、カメラの動きによって引き起こされるカメラの動きと、オ … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.MM | MotionCtrl: A Unified and Flexible Motion Controller for Video Generation はコメントを受け付けていません

When Synthetic Traces Hide Real Content: Analysis of Stable Diffusion Image Laundering

投稿日: 2024年7月16日 作成者: jarxiv

要約 近年、リアリティの高い合成画像を作成する方法が大幅に進歩し、目的のコンテン … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM | When Synthetic Traces Hide Real Content: Analysis of Stable Diffusion Image Laundering はコメントを受け付けていません

SaMoye: Zero-shot Singing Voice Conversion Based on Feature Disentanglement and Synthesis

投稿日: 2024年7月12日 作成者: jarxiv

要約 歌声変換 (SVC) は、元の内容を維持したまま、特定の音楽作品内の歌手の … 続きを読む →

カテゴリー: 68Txx(Primary)14F05, 91Fxx(Secondary), cs.AI, cs.MM, cs.SD, eess.AS, I.2.7 | SaMoye: Zero-shot Singing Voice Conversion Based on Feature Disentanglement and Synthesis はコメントを受け付けていません