「cs.MM」カテゴリーアーカイブ

EVE: Efficient Vision-Language Pre-training with Masked Prediction and Modality-Aware MoE

投稿日: 2024年3月4日 作成者: jarxiv

要約 多様なマルチモーダルデータから学習するスケーラブルな視覚言語モデルの構築は … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG, cs.MM | EVE: Efficient Vision-Language Pre-training with Masked Prediction and Modality-Aware MoE はコメントを受け付けていません

DAE-Talker: High Fidelity Speech-Driven Talking Face Generation with Diffusion Autoencoder

投稿日: 2024年3月4日 作成者: jarxiv

要約 最近の研究により、音声駆動型話し顔生成は大きく進歩したが、生成された映像の … 続きを読む →

カテゴリー: cs.CV, cs.MM | DAE-Talker: High Fidelity Speech-Driven Talking Face Generation with Diffusion Autoencoder はコメントを受け付けていません

A Novel Approach to Industrial Defect Generation through Blended Latent Diffusion Model with Online Adaptation

投稿日: 2024年3月1日 作成者: jarxiv

要約 産業用異常検出 (AD) の課題に効果的に対処するには、欠陥のあるサンプル … 続きを読む →

カテゴリー: cs.CV, cs.MM | A Novel Approach to Industrial Defect Generation through Blended Latent Diffusion Model with Online Adaptation はコメントを受け付けていません

Where Do We Go from Here? Multi-scale Allocentric Relational Inference from Natural Spatial Descriptions

投稿日: 2024年2月27日 作成者: jarxiv

要約 自然言語でルートを伝達する場合、{\em 獲得され​​た空間知識} の概念 … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.MM | Where Do We Go from Here? Multi-scale Allocentric Relational Inference from Natural Spatial Descriptions はコメントを受け付けていません

Gradient-Guided Modality Decoupling for Missing-Modality Robustness

投稿日: 2024年2月27日 作成者: jarxiv

要約 不完全な入力データ (モダリティの欠落) を使用したマルチモーダル学習は実 … 続きを読む →

カテゴリー: cs.CV, cs.MM | Gradient-Guided Modality Decoupling for Missing-Modality Robustness はコメントを受け付けていません

SPC-NeRF: Spatial Predictive Compression for Voxel Based Radiance Field

投稿日: 2024年2月27日 作成者: jarxiv

要約 Neural Radiance Field (NeRF) を明示的なボクセ … 続きを読む →

カテゴリー: cs.CV, cs.MM | SPC-NeRF: Spatial Predictive Compression for Voxel Based Radiance Field 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2月26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

A multimodal dynamical variational autoencoder for audiovisual speech representation learning

投稿日: 2024年2月21日 作成者: jarxiv

要約 この論文では、教師なし視聴覚音声表現学習に適用されるマルチモーダルで動的 … 続きを読む →

カテゴリー: cs.LG, cs.MM, cs.SD, eess.AS | A multimodal dynamical variational autoencoder for audiovisual speech representation learning はコメントを受け付けていません

Unified Hallucination Detection for Multimodal Large Language Models

投稿日: 2024年2月21日 作成者: jarxiv

要約 マルチモーダル タスクの大幅な進歩にも関わらず、マルチモーダル大規模言語モ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.IR, cs.LG, cs.MM | Unified Hallucination Detection for Multimodal Large Language Models はコメントを受け付けていません

Evaluating Image Review Ability of Vision Language Models

投稿日: 2024年2月20日 作成者: jarxiv

要約 大規模ビジョン言語モデル (LVLM) は、単一のモデルで画像とテキスト入 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.MM | Evaluating Image Review Ability of Vision Language Models はコメントを受け付けていません