「cs.MM」カテゴリーアーカイブ

Wiki-LLaVA: Hierarchical Retrieval-Augmented Generation for Multimodal LLMs

投稿日: 2024年4月25日 作成者: jarxiv

要約 マルチモーダル LLM は LLM の自然な進化であり、純粋なテキスト モ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.MM | Wiki-LLaVA: Hierarchical Retrieval-Augmented Generation for Multimodal LLMs はコメントを受け付けていません

Seeing Text in the Dark: Algorithm and Benchmark

投稿日: 2024年4月25日 作成者: jarxiv

要約 視覚的に劣化するため、暗い環境でテキストをローカライズするのは困難です。 … 続きを読む →

カテゴリー: cs.CV, cs.MM | Seeing Text in the Dark: Algorithm and Benchmark はコメントを受け付けていません

Seeing is Believing: Mitigating Hallucination in Large Vision-Language Models via CLIP-Guided Decoding

投稿日: 2024年4月24日 作成者: jarxiv

要約 Large Vision-Language Model (LVLM) は物 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.MM | Seeing is Believing: Mitigating Hallucination in Large Vision-Language Models via CLIP-Guided Decoding はコメントを受け付けていません

Multimodal Large Language Model is a Human-Aligned Annotator for Text-to-Image Generation

投稿日: 2024年4月24日 作成者: jarxiv

要約 最近の研究では、人間の嗜好データセットを活用してテキストから画像への生成モ … 続きを読む →

カテゴリー: cs.CV, cs.MM | Multimodal Large Language Model is a Human-Aligned Annotator for Text-to-Image Generation はコメントを受け付けていません

SMPLer: Taming Transformers for Monocular 3D Human Shape and Pose Estimation

投稿日: 2024年4月24日 作成者: jarxiv

要約 単眼の 3D 人間の形状と姿勢を推定するための既存の Transforme … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.GR, cs.LG, cs.MM | SMPLer: Taming Transformers for Monocular 3D Human Shape and Pose Estimation はコメントを受け付けていません

TAVGBench: Benchmarking Text to Audible-Video Generation

投稿日: 2024年4月23日 作成者: jarxiv

要約 Text to Audible-Video Generation (TAV … 続きを読む →

カテゴリー: cs.CV, cs.MM | TAVGBench: Benchmarking Text to Audible-Video Generation はコメントを受け付けていません

MambaMOS: LiDAR-based 3D Moving Object Segmentation with Motion-aware State Space Model

投稿日: 2024年4月22日 作成者: jarxiv

要約 LiDAR ベースの移動物体セグメンテーション (MOS) は、以前のスキ … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.RO, eess.IV | MambaMOS: LiDAR-based 3D Moving Object Segmentation with Motion-aware State Space Model はコメントを受け付けていません

Leveraging Automatic Personalised Nutrition: Food Image Recognition Benchmark and Dataset based on Nutrition Taxonomy

投稿日: 2024年4月22日 作成者: jarxiv

要約 不適切な食生活が特徴的な今日の座りっぱなしの社会では、健康的なライフスタイ … 続きを読む →

カテゴリー: cs.CV, cs.MM | Leveraging Automatic Personalised Nutrition: Food Image Recognition Benchmark and Dataset based on Nutrition Taxonomy はコメントを受け付けていません

Training-and-prompt-free General Painterly Harmonization Using Image-wise Attention Sharing

投稿日: 2024年4月22日 作成者: jarxiv

要約 絵画的なイメージの調和は、単一の一貫したイメージ内で異種の視覚要素をシーム … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM | Training-and-prompt-free General Painterly Harmonization Using Image-wise Attention Sharing はコメントを受け付けていません

Food Portion Estimation via 3D Object Scaling

投稿日: 2024年4月19日 作成者: jarxiv

要約 食品画像を分析するための画像ベースの方法により、従来の方法に伴うユーザーの … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.MM, eess.IV | Food Portion Estimation via 3D Object Scaling はコメントを受け付けていません