「cs.MM」カテゴリーアーカイブ

Embedding an Ethical Mind: Aligning Text-to-Image Synthesis via Lightweight Value Optimization

投稿日: 2024年10月17日 作成者: jarxiv

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 →

カテゴリー: cs.AI, cs.CV, cs.CY, cs.LG, cs.MM | Embedding an Ethical Mind: Aligning Text-to-Image Synthesis via Lightweight Value Optimization はコメントを受け付けていません

Magnifier Prompt: Tackling Multimodal Hallucination via Extremely Simple Instructions

投稿日: 2024年10月16日 作成者: jarxiv

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 →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.MM | Magnifier Prompt: Tackling Multimodal Hallucination via Extremely Simple Instructions はコメントを受け付けていません

MLLM can see? Dynamic Correction Decoding for Hallucination Mitigation

投稿日: 2024年10月16日 作成者: jarxiv

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 →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.MM | MLLM can see? Dynamic Correction Decoding for Hallucination Mitigation はコメントを受け付けていません

VIA: Unified Spatiotemporal Video Adaptation Framework for Global and Local Video Editing

投稿日: 2024年10月16日 作成者: jarxiv

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 →

カテゴリー: cs.AI, cs.CV, cs.MM | VIA: Unified Spatiotemporal Video Adaptation Framework for Global and Local Video Editing はコメントを受け付けていません

Improving Long-Text Alignment for Text-to-Image Diffusion Models

投稿日: 2024年10月16日 作成者: jarxiv

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 →

カテゴリー: cs.CV, cs.LG, cs.MM | Improving Long-Text Alignment for Text-to-Image Diffusion Models はコメントを受け付けていません

Detecting Audio-Visual Deepfakes with Fine-Grained Inconsistencies

投稿日: 2024年10月15日 作成者: jarxiv

要約 オーディオビジュアルディープフェイク検出に関する既存の方法は、オーディオデ … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | Detecting Audio-Visual Deepfakes with Fine-Grained Inconsistencies はコメントを受け付けていません

Sample then Identify: A General Framework for Risk Control and Assessment in Multimodal Large Language Models

投稿日: 2024年10月11日 作成者: jarxiv

要約 マルチモーダル大規模言語モデル (MLLM) は、さまざまなタスクにわたっ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.MM | Sample then Identify: A General Framework for Risk Control and Assessment in Multimodal Large Language Models はコメントを受け付けていません

CMMD: Contrastive Multi-Modal Diffusion for Video-Audio Conditional Modeling

投稿日: 2024年10月10日 作成者: jarxiv

要約 ビデオとオーディオの双方向の条件付き生成に合わせたマルチモーダル拡散モデル … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.MM, cs.SD, eess.AS | CMMD: Contrastive Multi-Modal Diffusion for Video-Audio Conditional Modeling はコメントを受け付けていません

VideoCLIP-XL: Advancing Long Description Understanding for Video CLIP Models

投稿日: 2024年10月7日 作成者: jarxiv

要約 対照的言語イメージ事前学習（CLIP）は広く研究され、多くのアプリケーショ … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.MM | VideoCLIP-XL: Advancing Long Description Understanding for Video CLIP Models はコメントを受け付けていません

SonicSense: Object Perception from In-Hand Acoustic Vibration

投稿日: 2024年10月4日 作成者: jarxiv

要約 SonicSenseを紹介する。SonicSenseは、ハードウェアとソフ … 続きを読む →

カテゴリー: cs.MM, cs.RO, cs.SD, eess.AS | SonicSense: Object Perception from In-Hand Acoustic Vibration はコメントを受け付けていません