「cs.MM」カテゴリーアーカイブ

A Bounding Box is Worth One Token: Interleaving Layout and Text in a Large Language Model for Document Understanding

投稿日: 2024年7月25日 作成者: jarxiv

要約 最近、多くの研究で、OCR から派生したテキストと空間レイアウトを大規模言 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.MM | A Bounding Box is Worth One Token: Interleaving Layout and Text in a Large Language Model for Document Understanding はコメントを受け付けていません

Revolutionizing Text-to-Image Retrieval as Autoregressive Token-to-Voken Generation

投稿日: 2024年7月25日 作成者: jarxiv

要約 テキストから画像への取得は、意味的に関連するクロスモーダル コンテンツを取 … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM | Revolutionizing Text-to-Image Retrieval as Autoregressive Token-to-Voken Generation はコメントを受け付けていません

MicroEmo: Time-Sensitive Multimodal Emotion Recognition with Micro-Expression Dynamics in Video Dialogues

投稿日: 2024年7月25日 作成者: jarxiv

要約 マルチモーダル大規模言語モデル (MLLM) は、ビデオ内の視覚、音響、言 … 続きを読む →

カテゴリー: cs.CV, cs.MM | MicroEmo: Time-Sensitive Multimodal Emotion Recognition with Micro-Expression Dynamics in Video Dialogues はコメントを受け付けていません

Learning to Generate Conditional Tri-plane for 3D-aware Expression Controllable Portrait Animation

投稿日: 2024年7月24日 作成者: jarxiv

要約 このペーパーでは、特定のポートレート画像の顔の表情とカメラビューを制御でき … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM | Learning to Generate Conditional Tri-plane for 3D-aware Expression Controllable Portrait Animation はコメントを受け付けていません

QPT V2: Masked Image Modeling Advances Visual Scoring

投稿日: 2024年7月24日 作成者: jarxiv

要約 品質評価と美的評価は、視覚コンテンツの知覚された品質と美的感覚を評価するこ … 続きを読む →

カテゴリー: cs.CV, cs.MM | QPT V2: Masked Image Modeling Advances Visual Scoring はコメントを受け付けていません

MicroEmo: Time-Sensitive Multimodal Emotion Recognition with Micro-Expression Dynamics in Video Dialogues

投稿日: 2024年7月24日 作成者: jarxiv

要約 マルチモーダル大規模言語モデル (MLLM) は、ビデオ内の視覚、音響、言 … 続きを読む →

カテゴリー: cs.CV, cs.MM | MicroEmo: Time-Sensitive Multimodal Emotion Recognition with Micro-Expression Dynamics in Video Dialogues はコメントを受け付けていません

Coarse-to-Fine Proposal Refinement Framework for Audio Temporal Forgery Detection and Localization

投稿日: 2024年7月24日 作成者: jarxiv

要約 最近、新しい形式の音声部分偽造がフォレンジックに課題をもたらしており、長時 … 続きを読む →

カテゴリー: 68T07, 68T10, cs.CV, cs.MM, cs.SD, eess.AS, I.2 | Coarse-to-Fine Proposal Refinement Framework for Audio Temporal Forgery Detection and Localization はコメントを受け付けていません

FakingRecipe: Detecting Fake News on Short Video Platforms from the Perspective of Creative Process

投稿日: 2024年7月24日 作成者: jarxiv

要約 ショートビデオ共有プラットフォームがニュース消費の重要なチャネルになるにつ … 続きを読む →

カテゴリー: cs.CV, cs.CY, cs.MM | FakingRecipe: Detecting Fake News on Short Video Platforms from the Perspective of Creative Process はコメントを受け付けていません

360VFI: A Dataset and Benchmark for Omnidirectional Video Frame Interpolation

投稿日: 2024年7月23日 作成者: jarxiv

要約 VR関連技術の発展により、視聴者はヘッドマウントディスプレイを通じてリアル … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.MM | 360VFI: A Dataset and Benchmark for Omnidirectional Video Frame Interpolation はコメントを受け付けていません

HaloQuest: A Visual Hallucination Dataset for Advancing Multimodal Reasoning

投稿日: 2024年7月23日 作成者: jarxiv

要約 幻覚は大規模な言語モデルにとって大きな問題であり、視覚言語モデル (VLM … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.MM | HaloQuest: A Visual Hallucination Dataset for Advancing Multimodal Reasoning はコメントを受け付けていません