「cs.MM」カテゴリーアーカイブ

Self-Adaptive Sampling for Efficient Video Question-Answering on Image–Text Models

投稿日: 2024年4月2日 作成者: jarxiv

要約 ビデオの質問応答は、ビデオ理解の分野における基本的なタスクです。 Vide … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.MM | Self-Adaptive Sampling for Efficient Video Question-Answering on Image–Text Models はコメントを受け付けていません

Break-for-Make: Modular Low-Rank Adaptations for Composable Content-Style Customization

投稿日: 2024年4月2日 作成者: jarxiv

要約 パーソナライズされた生成パラダイムにより、デザイナーは、いくつかの画像に対 … 続きを読む →

カテゴリー: cs.CV, cs.GR, cs.MM | Break-for-Make: Modular Low-Rank Adaptations for Composable Content-Style Customization はコメントを受け付けていません

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

投稿日: 2024年4月2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

Rethinking Multi-view Representation Learning via Distilled Disentangling

投稿日: 2024年4月1日 作成者: jarxiv

要約 マルチビュー表現学習の目的は、多様なデータ ソースからビューの一貫性とビュ … 続きを読む →

カテゴリー: cs.CV, cs.MM | Rethinking Multi-view Representation Learning via Distilled Disentangling はコメントを受け付けていません

Language Model Beats Diffusion — Tokenizer is Key to Visual Generation

投稿日: 2024年4月1日 作成者: jarxiv

要約 大規模言語モデル (LLM) は、言語の生成タスクでは主要なモデルですが、 … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM | Language Model Beats Diffusion — Tokenizer is Key to Visual Generation はコメントを受け付けていません

Evaluating gesture generation in a large-scale open challenge: The GENEA Challenge 2022

投稿日: 2024年3月29日 作成者: jarxiv

要約 この論文では、データ駆動型自動同時音声ジェスチャ生成のベンチマークを目的と … 続きを読む →

カテゴリー: cs.HC, cs.LG, cs.MM, I.2 | Evaluating gesture generation in a large-scale open challenge: The GENEA Challenge 2022 はコメントを受け付けていません

MagicLens: Self-Supervised Image Retrieval with Open-Ended Instructions

投稿日: 2024年3月29日 作成者: jarxiv

要約 画像検索、つまり参照画像から目的の画像を見つけることには、本質的に豊富で多 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.IR, cs.MM | MagicLens: Self-Supervised Image Retrieval with Open-Ended Instructions はコメントを受け付けていません

Bringing Textual Prompt to AI-Generated Image Quality Assessment

投稿日: 2024年3月28日 作成者: jarxiv

要約 AI 生成画像 (AGI) には、本質的にマルチモーダルな性質があります。 … 続きを読む →

カテゴリー: cs.CV, cs.MM | Bringing Textual Prompt to AI-Generated Image Quality Assessment はコメントを受け付けていません

Mitigating Hallucinations in Large Vision-Language Models with Instruction Contrastive Decoding

投稿日: 2024年3月28日 作成者: jarxiv

要約 大規模視覚言語モデル (LVLM) は、視覚入力から状況に応じて詳細で一貫 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.MM | Mitigating Hallucinations in Large Vision-Language Models with Instruction Contrastive Decoding はコメントを受け付けていません

Real Acoustic Fields: An Audio-Visual Room Acoustics Dataset and Benchmark

投稿日: 2024年3月28日 作成者: jarxiv

要約 複数のモダリティから実際の音響室データをキャプチャする Real Acou … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | Real Acoustic Fields: An Audio-Visual Room Acoustics Dataset and Benchmark はコメントを受け付けていません