「cs.MM」カテゴリーアーカイブ

Multimodal LLMs Can Reason about Aesthetics in Zero-Shot

投稿日: 2025年4月18日 作成者: jarxiv

要約 生成芸術の急速な進歩は、視覚的に心地よいイメージの作成を民主化しました。 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.MM | Multimodal LLMs Can Reason about Aesthetics in Zero-Shot はコメントを受け付けていません

StreamingT2V: Consistent, Dynamic, and Extendable Long Video Generation from Text

投稿日: 2025年4月17日 作成者: jarxiv

要約 テキスト間拡散モデルにより、テキストの指示に従う高品質のビデオの生成を可能 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.MM, eess.IV | StreamingT2V: Consistent, Dynamic, and Extendable Long Video Generation from Text はコメントを受け付けていません

Document Parsing Unveiled: Techniques, Challenges, and Prospects for Structured Information Extraction

投稿日: 2025年4月17日 作成者: jarxiv

要約 ドキュメント解析は、契約、学術論文、請求書などの非構造化および半構造化され … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.MM | Document Parsing Unveiled: Techniques, Challenges, and Prospects for Structured Information Extraction はコメントを受け付けていません

Exploring Self-supervised Skeleton-based Action Recognition in Occluded Environments

投稿日: 2025年4月17日 作成者: jarxiv

要約 アクション認識を自律的なロボットシステムに統合するには、人の閉塞などの課題 … 続きを読む →

カテゴリー: cs.CV, cs.MM, cs.RO, eess.IV | Exploring Self-supervised Skeleton-based Action Recognition in Occluded Environments はコメントを受け付けていません

Towards Realistic Low-Light Image Enhancement via ISP Driven Data Modeling

投稿日: 2025年4月17日 作成者: jarxiv

要約 ディープニューラルネットワーク（DNNS）は、最近、低照度画像強化（LLI … 続きを読む →

カテゴリー: cs.CV, cs.MM | Towards Realistic Low-Light Image Enhancement via ISP Driven Data Modeling はコメントを受け付けていません

Taming Data and Transformers for Audio Generation

投稿日: 2025年4月17日 作成者: jarxiv

要約 アンビエントサウンドジェネレーターのスケーラビリティは、データ不足、キャプ … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.MM, cs.SD, eess.AS | Taming Data and Transformers for Audio Generation はコメントを受け付けていません

Dependency Structure Augmented Contextual Scoping Framework for Multimodal Aspect-Based Sentiment Analysis

投稿日: 2025年4月16日 作成者: jarxiv

要約 マルチモーダルアスペクトベースのセンチメント分析（MABSA）は、画像テキ … 続きを読む →

カテゴリー: cs.CL, cs.MM | Dependency Structure Augmented Contextual Scoping Framework for Multimodal Aspect-Based Sentiment Analysis はコメントを受け付けていません

Leveraging multimodal explanatory annotations for video interpretation with Modality Specific Dataset

投稿日: 2025年4月16日 作成者: jarxiv

要約 人間が注目した説明概念を含むデータセットであるMobygazeを使用して、 … 続きを読む →

カテゴリー: cs.CV, cs.MM | Leveraging multimodal explanatory annotations for video interpretation with Modality Specific Dataset はコメントを受け付けていません

Multimodal Long Video Modeling Based on Temporal Dynamic Context

投稿日: 2025年4月15日 作成者: jarxiv

要約 大規模な言語モデル（LLMS）の最近の進歩により、ビデオ理解の大きなブレー … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.MM | Multimodal Long Video Modeling Based on Temporal Dynamic Context はコメントを受け付けていません

Taming Data and Transformers for Scalable Audio Generation

投稿日: 2025年4月11日 作成者: jarxiv

要約 アンビエントサウンドジェネレーターのスケーラビリティは、データ不足、キャプ … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.MM, cs.SD, eess.AS | Taming Data and Transformers for Scalable Audio Generation はコメントを受け付けていません