-
最近の投稿
- KISS-Matcher: Fast and Robust Point Cloud Registration Revisited
- Unpacking Failure Modes of Generative Policies: Runtime Monitoring of Consistency and Progress
- Mode-GS: Monocular Depth Guided Anchored 3D Gaussian Splatting for Robust Ground-View Scene Rendering
- A Universal Formulation for Path-Parametric Planning and Control
- Next Best Sense: Guiding Vision and Touch with FisherRF for 3D Gaussian Splatting
-
最近のコメント
表示できるコメントはありません。 cs.AI (27775) cs.CL (20990) cs.CR (2176) cs.CV (34489) cs.LG (32518) cs.RO (15916) cs.SY (2472) eess.IV (4231) eess.SY (2466) stat.ML (4356)
「cs.MM」カテゴリーアーカイブ
A Large-scale Dataset for Audio-Language Representation Learning
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
Q-Bench: A Benchmark for General-Purpose Foundation Models on Low-level Vision
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
Audio-Visual Speaker Verification via Joint Cross-Attention
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
Weakly-Supervised Visual-Textual Grounding with Semantic Prior Refinement
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
Language Models as Black-Box Optimizers for Vision-Language Models
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
Q-Bench: A Benchmark for General-Purpose Foundation Models on Low-level Vision
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
SCANet: A Self- and Cross-Attention Network for Audio-Visual Speech Separation
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
ERNIE-Music: Text-to-Waveform Music Generation with Diffusion Models
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
CoMoSpeech: One-Step Speech and Singing Voice Synthesis via Consistency Model
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