「cs.MM」カテゴリーアーカイブ

A Large-scale Dataset for Audio-Language Representation Learning

投稿日: 2023年9月29日 作成者: jarxiv

要約 AI コミュニティは、大規模なマルチモーダル データセットを活用した強力な … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | A Large-scale Dataset for Audio-Language Representation Learning はコメントを受け付けていません

Q-Bench: A Benchmark for General-Purpose Foundation Models on Low-level Vision

投稿日: 2023年9月29日 作成者: jarxiv

要約 マルチモダリティ大規模言語モデル (MLLM) の急速な進化により、コンピ … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM | Q-Bench: A Benchmark for General-Purpose Foundation Models on Low-level Vision はコメントを受け付けていません

Audio-Visual Speaker Verification via Joint Cross-Attention

投稿日: 2023年9月29日 作成者: jarxiv

要約 話者検証は音声信号を使用して広く検討されており、ディープ モデルを使用する … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | Audio-Visual Speaker Verification via Joint Cross-Attention はコメントを受け付けていません

Weakly-Supervised Visual-Textual Grounding with Semantic Prior Refinement

投稿日: 2023年9月27日 作成者: jarxiv

要約 画像と文のペアのみを使用して、弱く教師された視覚とテキストの基礎付けは、そ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.MM | Weakly-Supervised Visual-Textual Grounding with Semantic Prior Refinement はコメントを受け付けていません

Language Models as Black-Box Optimizers for Vision-Language Models

投稿日: 2023年9月26日 作成者: jarxiv

要約 Web スケールのデータセットで事前トレーニングされたビジョン言語モデル … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG, cs.MM | Language Models as Black-Box Optimizers for Vision-Language Models はコメントを受け付けていません

Q-Bench: A Benchmark for General-Purpose Foundation Models on Low-level Vision

投稿日: 2023年9月26日 作成者: jarxiv

要約 マルチモダリティ大規模言語モデル (MLLM) の急速な進化により、コンピ … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM | Q-Bench: A Benchmark for General-Purpose Foundation Models on Low-level Vision はコメントを受け付けていません

SCANet: A Self- and Cross-Attention Network for Audio-Visual Speech Separation

投稿日: 2023年9月26日 作成者: jarxiv

要約 音声情報や視覚情報などのさまざまなモダリティの統合は、周囲環境に対する人間 … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.SD, eess.AS | SCANet: A Self- and Cross-Attention Network for Audio-Visual Speech Separation はコメントを受け付けていません

ERNIE-Music: Text-to-Waveform Music Generation with Diffusion Models

投稿日: 2023年9月22日 作成者: jarxiv

要約 近年、拡散モデルへの関心の高まりにより、画像と音声の生成が大幅に進歩しまし … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.MM, cs.SD, eess.AS | ERNIE-Music: Text-to-Waveform Music Generation with Diffusion Models はコメントを受け付けていません

CoMoSpeech: One-Step Speech and Singing Voice Synthesis via Consistency Model

投稿日: 2023年9月22日 作成者: jarxiv

要約 ノイズ除去拡散確率モデル (DDPM) は、音声合成において有望なパフォー … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.LG, cs.MM, cs.SD, eess.AS | CoMoSpeech: One-Step Speech and Singing Voice Synthesis via Consistency Model はコメントを受け付けていません

Elevating Skeleton-Based Action Recognition with Efficient Multi-Modality Self-Supervision

投稿日: 2023年9月22日 作成者: jarxiv

要約 人間の行動認識のための自己教師あり表現学習は、近年急速に発展しています。 … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.RO, eess.IV | Elevating Skeleton-Based Action Recognition with Efficient Multi-Modality Self-Supervision はコメントを受け付けていません