-
最近の投稿
- A Systematic Approach to Design Real-World Human-in-the-Loop Deep Reinforcement Learning: Salient Features, Challenges and Trade-offs
- Robo-Troj: Attacking LLM-based Task Planners
- SE(3)-Equivariant Robot Learning and Control: A Tutorial Survey
- Geometric Formulation of Unified Force-Impedance Control on SE(3) for Robotic Manipulators
- Subframework-based Bearing Rigidity Maintenance Control in Multirobot Networks
-
最近のコメント
表示できるコメントはありません。 cs.AI (37106) cs.CL (28087) cs.CV (42847) cs.HC (2837) cs.LG (42044) cs.RO (21987) cs.SY (3355) eess.IV (4990) eess.SY (3347) stat.ML (5498)
「cs.MM」カテゴリーアーカイブ
MixEval-X: Any-to-Any Evaluations from Real-World Data Mixtures
要約 AI モデルが現実世界の信号から効果的に学習し、それに関与するには、多様な … 続きを読む
MixEval-X: Any-to-Any Evaluations from Real-World Data Mixtures
要約 AI モデルが現実世界の信号から効果的に学習し、それに関与するには、多様な … 続きを読む
Beyond Coarse-Grained Matching in Video-Text Retrieval
要約 ビデオテキストの検索は大幅に進歩しましたが、キャプションの微妙な違いを識別 … 続きを読む
Improving Multi-modal Large Language Model through Boosting Vision Capabilities
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
Embedding an Ethical Mind: Aligning Text-to-Image Synthesis via Lightweight Value Optimization
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
Magnifier Prompt: Tackling Multimodal Hallucination via Extremely Simple Instructions
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
MLLM can see? Dynamic Correction Decoding for Hallucination Mitigation
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
VIA: Unified Spatiotemporal Video Adaptation Framework for Global and Local Video Editing
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
Improving Long-Text Alignment for Text-to-Image Diffusion Models
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