「cs.MM」カテゴリーアーカイブ

WaterVG: Waterway Visual Grounding based on Text-Guided Vision and mmWave Radar

投稿日: 2024年4月8日 作成者: jarxiv

要約 人間の意図に基づく水路の認識は、水環境での自律航行および無人水上車両 (U … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.RO | WaterVG: Waterway Visual Grounding based on Text-Guided Vision and mmWave Radar はコメントを受け付けていません

Embedded Heterogeneous Attention Transformer for Cross-lingual Image Captioning

投稿日: 2024年4月8日 作成者: jarxiv

要約 クロスリンガルの画像キャプション付けは、マルチメディア分析におけるクロスリ … 続きを読む →

カテゴリー: cs.CV, cs.MM | Embedded Heterogeneous Attention Transformer for Cross-lingual Image Captioning はコメントを受け付けていません

WorDepth: Variational Language Prior for Monocular Depth Estimation

投稿日: 2024年4月8日 作成者: jarxiv

要約 単一の画像からの 3 次元 (3D) 再構成は、スケールなどの固有の曖昧さ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.MM | WorDepth: Variational Language Prior for Monocular Depth Estimation はコメントを受け付けていません

WorDepth: Variational Language Prior for Monocular Depth Estimation

投稿日: 2024年4月5日 作成者: jarxiv

要約 1枚の画像からの3次元（3D）再構成は、スケールなどの曖昧さを内在する非投 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.MM | WorDepth: Variational Language Prior for Monocular Depth Estimation はコメントを受け付けていません

Event Camera Demosaicing via Swin Transformer and Pixel-focus Loss

投稿日: 2024年4月4日 作成者: jarxiv

要約 最近の研究では、イベントカメラによる高画質撮像の改善に焦点が当てられており … 続きを読む →

カテゴリー: cs.CV, cs.MM, eess.IV | Event Camera Demosaicing via Swin Transformer and Pixel-focus Loss はコメントを受け付けていません

DIBS: Enhancing Dense Video Captioning with Unlabeled Videos via Pseudo Boundary Enrichment and Online Refinement

投稿日: 2024年4月4日 作成者: jarxiv

要約 本稿では、ラベル付けされていない動画から生成されるイベントキャプションとそ … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM | DIBS: Enhancing Dense Video Captioning with Unlabeled Videos via Pseudo Boundary Enrichment and Online Refinement はコメントを受け付けていません

MusiLingo: Bridging Music and Text with Pre-trained Language Models for Music Captioning and Query Response

投稿日: 2024年4月3日 作成者: jarxiv

要約 大規模言語モデル (LLM) は、マルチモーダルなアプリケーションにおいて … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.MM, cs.SD, eess.AS | MusiLingo: Bridging Music and Text with Pre-trained Language Models for Music Captioning and Query Response はコメントを受け付けていません

MuChin: A Chinese Colloquial Description Benchmark for Evaluating Language Models in the Field of Music

投稿日: 2024年4月3日 作成者: jarxiv

要約 急速に進化するマルチモーダル大規模言語モデル (LLM) では、音楽の理解 … 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 | MuChin: A Chinese Colloquial Description Benchmark for Evaluating Language Models in the Field of Music はコメントを受け付けていません

VA3: Virtually Assured Amplification Attack on Probabilistic Copyright Protection for Text-to-Image Generative Models

投稿日: 2024年4月3日 作成者: jarxiv

要約 テキストから画像への生成モデルの使用が急増しているため、著作権を侵害するコ … 続きを読む →

カテゴリー: cs.AI, cs.CR, cs.CV, cs.MM | VA3: Virtually Assured Amplification Attack on Probabilistic Copyright Protection for Text-to-Image Generative Models はコメントを受け付けていません

MIPS at SemEval-2024 Task 3: Multimodal Emotion-Cause Pair Extraction in Conversations with Multimodal Language Models

投稿日: 2024年4月3日 作成者: jarxiv

要約 この論文は、会話におけるマルチモーダル感情原因分析に関する SemEval … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.MM | MIPS at SemEval-2024 Task 3: Multimodal Emotion-Cause Pair Extraction in Conversations with Multimodal Language Models はコメントを受け付けていません