「cs.MM」カテゴリーアーカイブ

Improving Multi-modal Large Language Model through Boosting Vision Capabilities

投稿日: 2024年10月18日 作成者: jarxiv

要約 私たちは、視覚言語モデルを強化するための視覚理解能力の向上に焦点を当ててい … 続きを読む →

カテゴリー: cs.CV, cs.MM | Improving Multi-modal Large Language Model through Boosting Vision Capabilities はコメントを受け付けていません

Embedding an Ethical Mind: Aligning Text-to-Image Synthesis via Lightweight Value Optimization

投稿日: 2024年10月17日 作成者: jarxiv

要約 大規模データでトレーニングされた拡散モデルの最近の進歩により、人間レベルの … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.CY, cs.LG, cs.MM | Embedding an Ethical Mind: Aligning Text-to-Image Synthesis via Lightweight Value Optimization はコメントを受け付けていません

Magnifier Prompt: Tackling Multimodal Hallucination via Extremely Simple Instructions

投稿日: 2024年10月16日 作成者: jarxiv

要約 マルチモーダル大規模言語モデル (MLLM) における幻覚は、実際の応用を … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.MM | Magnifier Prompt: Tackling Multimodal Hallucination via Extremely Simple Instructions はコメントを受け付けていません

MLLM can see? Dynamic Correction Decoding for Hallucination Mitigation

投稿日: 2024年10月16日 作成者: jarxiv

要約 マルチモーダル大規模言語モデル (MLLM) は頻繁に幻覚現象を示しますが … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.MM | MLLM can see? Dynamic Correction Decoding for Hallucination Mitigation はコメントを受け付けていません

VIA: Unified Spatiotemporal Video Adaptation Framework for Global and Local Video Editing

投稿日: 2024年10月16日 作成者: jarxiv

要約 ビデオ編集は、エンターテインメントや教育からプロフェッショナルなコミュニケ … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM | VIA: Unified Spatiotemporal Video Adaptation Framework for Global and Local Video Editing はコメントを受け付けていません

Improving Long-Text Alignment for Text-to-Image Diffusion Models

投稿日: 2024年10月16日 作成者: jarxiv

要約 テキストから画像への (T2I) 拡散モデルの急速な進歩により、与えられた … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.MM | Improving Long-Text Alignment for Text-to-Image Diffusion Models はコメントを受け付けていません

Detecting Audio-Visual Deepfakes with Fine-Grained Inconsistencies

投稿日: 2024年10月15日 作成者: jarxiv

要約 オーディオビジュアルディープフェイク検出に関する既存の方法は、オーディオデ … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | Detecting Audio-Visual Deepfakes with Fine-Grained Inconsistencies はコメントを受け付けていません

Sample then Identify: A General Framework for Risk Control and Assessment in Multimodal Large Language Models

投稿日: 2024年10月11日 作成者: jarxiv

要約 マルチモーダル大規模言語モデル (MLLM) は、さまざまなタスクにわたっ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.MM | Sample then Identify: A General Framework for Risk Control and Assessment in Multimodal Large Language Models はコメントを受け付けていません

CMMD: Contrastive Multi-Modal Diffusion for Video-Audio Conditional Modeling

投稿日: 2024年10月10日 作成者: jarxiv

要約 ビデオとオーディオの双方向の条件付き生成に合わせたマルチモーダル拡散モデル … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.MM, cs.SD, eess.AS | CMMD: Contrastive Multi-Modal Diffusion for Video-Audio Conditional Modeling はコメントを受け付けていません

VideoCLIP-XL: Advancing Long Description Understanding for Video CLIP Models

投稿日: 2024年10月7日 作成者: jarxiv

要約 対照的言語イメージ事前学習（CLIP）は広く研究され、多くのアプリケーショ … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.MM | VideoCLIP-XL: Advancing Long Description Understanding for Video CLIP Models はコメントを受け付けていません