「cs.MM」カテゴリーアーカイブ

Fit and Prune: Fast and Training-free Visual Token Pruning for Multi-modal Large Language Models

投稿日: 2024年9月17日 作成者: jarxiv

要約 マルチモーダル大規模言語モデル (MLLM) の最近の進歩では、MLLM … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.MM | Fit and Prune: Fast and Training-free Visual Token Pruning for Multi-modal Large Language Models はコメントを受け付けていません

DreamHead: Learning Spatial-Temporal Correspondence via Hierarchical Diffusion for Audio-driven Talking Head Synthesis

投稿日: 2024年9月17日 作成者: jarxiv

要約 オーディオ駆動トーキング ヘッド合成は、提供されたオーディオから本物のよう … 続きを読む →

カテゴリー: cs.AI, cs.MM, cs.SD, eess.AS | DreamHead: Learning Spatial-Temporal Correspondence via Hierarchical Diffusion for Audio-driven Talking Head Synthesis はコメントを受け付けていません

On the Computation of BD-Rate over a Set of Videos for Fair Assessment of Performance of Learned Video Codecs

投稿日: 2024年9月16日 作成者: jarxiv

要約 Bjntegaard デルタ (BD) 測定は、さまざまなコーデック間のレ … 続きを読む →

カテゴリー: cs.CV, cs.MM, eess.IV | On the Computation of BD-Rate over a Set of Videos for Fair Assessment of Performance of Learned Video Codecs はコメントを受け付けていません

Learning Video Context as Interleaved Multimodal Sequences

投稿日: 2024年9月13日 作成者: jarxiv

要約 映画などのナラティブビデオは、その豊富なコンテキスト (キャラクター、会話 … 続きを読む →

カテゴリー: cs.CV, cs.MM | Learning Video Context as Interleaved Multimodal Sequences はコメントを受け付けていません

ComAlign: Compositional Alignment in Vision-Language Models

投稿日: 2024年9月13日 作成者: jarxiv

要約 CLIP のようなビジョン言語モデル (VLM) は、下流のタスクに転送可 … 続きを読む →

カテゴリー: cs.CV, cs.MM | ComAlign: Compositional Alignment in Vision-Language Models はコメントを受け付けていません

Improving Virtual Try-On with Garment-focused Diffusion Models

投稿日: 2024年9月13日 作成者: jarxiv

要約 拡散モデルは、数多くの画像合成タスクにおける生成モデリングに革命をもたらし … 続きを読む →

カテゴリー: cs.CV, cs.MM | Improving Virtual Try-On with Garment-focused Diffusion Models はコメントを受け付けていません

Improving Text-guided Object Inpainting with Semantic Pre-inpainting

投稿日: 2024年9月13日 作成者: jarxiv

要約 近年、大規模なテキストから画像への拡散モデルの成功と、高品質の画像を生成す … 続きを読む →

カテゴリー: cs.CV, cs.MM | Improving Text-guided Object Inpainting with Semantic Pre-inpainting はコメントを受け付けていません

FlashSplat: 2D to 3D Gaussian Splatting Segmentation Solved Optimally

投稿日: 2024年9月13日 作成者: jarxiv

要約 この研究では、2D マスクから 3D ガウス スプラッティングを正確にセグ … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.GR, cs.MM | FlashSplat: 2D to 3D Gaussian Splatting Segmentation Solved Optimally はコメントを受け付けていません

VMAS: Video-to-Music Generation via Semantic Alignment in Web Music Videos

投稿日: 2024年9月12日 作成者: jarxiv

要約 ビデオ入力から BGM を生成する方法を学習するためのフレームワークを紹介 … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | VMAS: Video-to-Music Generation via Semantic Alignment in Web Music Videos はコメントを受け付けていません

FreeEnhance: Tuning-Free Image Enhancement via Content-Consistent Noising-and-Denoising Process

投稿日: 2024年9月12日 作成者: jarxiv

要約 テキストから画像への生成モデルの出現により、後処理として実行される画像強調 … 続きを読む →

カテゴリー: cs.CV, cs.MM | FreeEnhance: Tuning-Free Image Enhancement via Content-Consistent Noising-and-Denoising Process はコメントを受け付けていません