「cs.MM」カテゴリーアーカイブ

Can’t See the Forest for the Trees: Benchmarking Multimodal Safety Awareness for Multimodal LLMs

投稿日: 2025年6月4日 作成者: jarxiv

要約 マルチモーダル大規模言語モデル（MLLM）は、テキストと画像の両方を介した … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.MM | Can’t See the Forest for the Trees: Benchmarking Multimodal Safety Awareness for Multimodal LLMs はコメントを受け付けていません

Chain-of-Jailbreak Attack for Image Generation Models via Editing Step by Step

投稿日: 2025年6月4日 作成者: jarxiv

要約 Stable Diffusion や DALL-E 3 のようなテキストベ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CR, cs.CV, cs.MM | Chain-of-Jailbreak Attack for Image Generation Models via Editing Step by Step はコメントを受け付けていません

MERIT: Multilingual Semantic Retrieval with Interleaved Multi-Condition Query

投稿日: 2025年6月4日 作成者: jarxiv

要約 意味検索は現代のアプリケーションにとって極めて重要であるが、現在の研究では … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.MM | MERIT: Multilingual Semantic Retrieval with Interleaved Multi-Condition Query はコメントを受け付けていません

IllumiCraft: Unified Geometry and Illumination Diffusion for Controllable Video Generation

投稿日: 2025年6月4日 作成者: jarxiv

要約 拡散ベースのモデルは、テキストまたは画像入力から高品質で高解像度のビデオシ … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.MM | IllumiCraft: Unified Geometry and Illumination Diffusion for Controllable Video Generation はコメントを受け付けていません

Contrastive Alignment with Semantic Gap-Aware Corrections in Text-Video Retrieval

投稿日: 2025年6月3日 作成者: jarxiv

要約 テキストビデオ検索の最近の進歩は、主に対照的な学習フレームワークによって推 … 続きを読む →

カテゴリー: cs.CV, cs.IR, cs.MM | Contrastive Alignment with Semantic Gap-Aware Corrections in Text-Video Retrieval はコメントを受け付けていません

I see what you mean: Co-Speech Gestures for Reference Resolution in Multimodal Dialogue

投稿日: 2025年6月3日 作成者: jarxiv

要約 対面の相互作用では、音声やジェスチャーを含む複数のモダリティを使用して、情 … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.MM | I see what you mean: Co-Speech Gestures for Reference Resolution in Multimodal Dialogue はコメントを受け付けていません

PixelThink: Towards Efficient Chain-of-Pixel Reasoning

投稿日: 2025年5月30日 作成者: jarxiv

要約 既存の推論セグメンテーションアプローチは、通常、画像テキストペアと対応する … 続きを読む →

カテゴリー: cs.CV, cs.MM | PixelThink: Towards Efficient Chain-of-Pixel Reasoning はコメントを受け付けていません

Visatronic: A Multimodal Decoder-Only Model for Speech Synthesis

投稿日: 2025年5月30日 作成者: jarxiv

要約 基礎モデルと大規模な言語モデル（LLMS）の急速な進歩は、ミトリモーダル入 … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | Visatronic: A Multimodal Decoder-Only Model for Speech Synthesis はコメントを受け付けていません

Multi-MLLM Knowledge Distillation for Out-of-Context News Detection

投稿日: 2025年5月29日 作成者: jarxiv

要約 マルチモーダルのコンテキスト外ニュースは、元のコンテキストの外で画像が使用 … 続きを読む →

カテゴリー: cs.CL, cs.MM | Multi-MLLM Knowledge Distillation for Out-of-Context News Detection はコメントを受け付けていません

Spatial Knowledge Graph-Guided Multimodal Synthesis

投稿日: 2025年5月29日 作成者: jarxiv

要約 マルチモーダル大手言語モデル（MLLM）の最近の進歩により、能力が大幅に向 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.MM | Spatial Knowledge Graph-Guided Multimodal Synthesis はコメントを受け付けていません