「cs.MM」カテゴリーアーカイブ

VIA: Unified Spatiotemporal Video Adaptation Framework for Global and Local Video Editing

投稿日: 2025年3月28日 作成者: jarxiv

要約 ビデオ編集は、エンターテイメント、教育、専門的なコミュニケーションのアプリ … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM | VIA: Unified Spatiotemporal Video Adaptation Framework for Global and Local Video Editing はコメントを受け付けていません

ADS-Edit: A Multimodal Knowledge Editing Dataset for Autonomous Driving Systems

投稿日: 2025年3月27日 作成者: jarxiv

要約 大規模なマルチモーダルモデル（LMM）の最近の進歩は、自律運転システム（A … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.MM | ADS-Edit: A Multimodal Knowledge Editing Dataset for Autonomous Driving Systems はコメントを受け付けていません

Zero-Shot Audio-Visual Editing via Cross-Modal Delta Denoising

投稿日: 2025年3月27日 作成者: jarxiv

要約 このペーパーでは、ゼロショットオーディオビデオ編集を紹介します。これは、追 … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.MM, cs.SD, eess.AS | Zero-Shot Audio-Visual Editing via Cross-Modal Delta Denoising はコメントを受け付けていません

AudCast: Audio-Driven Human Video Generation by Cascaded Diffusion Transformers

投稿日: 2025年3月26日 作成者: jarxiv

要約 オーディオ駆動型のビデオ生成の最近の進歩にもかかわらず、既存の方法は主に顔 … 続きを読む →

カテゴリー: cs.CV, cs.GR, cs.MM | AudCast: Audio-Driven Human Video Generation by Cascaded Diffusion Transformers はコメントを受け付けていません

GiVE: Guiding Visual Encoder to Perceive Overlooked Information

投稿日: 2025年3月24日 作成者: jarxiv

要約 マルチモーダルの大手言語モデルは、テキストからビデオへの生成や視覚的な質問 … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM | GiVE: Guiding Visual Encoder to Perceive Overlooked Information はコメントを受け付けていません

Align Your Rhythm: Generating Highly Aligned Dance Poses with Gating-Enhanced Rhythm-Aware Feature Representation

投稿日: 2025年3月24日 作成者: jarxiv

要約 音楽によって駆動される自然で多様でリズミカルな人間のダンスの動きを自動的に … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.MM, cs.SD, eess.AS | Align Your Rhythm: Generating Highly Aligned Dance Poses with Gating-Enhanced Rhythm-Aware Feature Representation はコメントを受け付けていません

LongVALE: Vision-Audio-Language-Event Benchmark Towards Time-Aware Omni-Modal Perception of Long Videos

投稿日: 2025年3月21日 作成者: jarxiv

要約 ビデオ理解における印象的な進歩にもかかわらず、ほとんどの努力は粗いまたは視 … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG, cs.MM | LongVALE: Vision-Audio-Language-Event Benchmark Towards Time-Aware Omni-Modal Perception of Long Videos はコメントを受け付けていません

Do image and video quality metrics model low-level human vision?

投稿日: 2025年3月21日 作成者: jarxiv

要約 SSIM、LPIPS、VMAFなどの画像およびビデオの品質メトリックは、評 … 続きを読む →

カテゴリー: cs.CV, cs.MM, eess.IV | Do image and video quality metrics model low-level human vision? はコメントを受け付けていません

VerbDiff: Text-Only Diffusion Models with Enhanced Interaction Awareness

投稿日: 2025年3月21日 作成者: jarxiv

要約 最近の大規模なテキストからイメージまでの拡散モデルは、フォトリアリスティッ … 続きを読む →

カテゴリー: cs.CV, cs.GR, cs.MM | VerbDiff: Text-Only Diffusion Models with Enhanced Interaction Awareness はコメントを受け付けていません

MagicMotion: Controllable Video Generation with Dense-to-Sparse Trajectory Guidance

投稿日: 2025年3月21日 作成者: jarxiv

要約 最近のビデオ生成の進歩により、視覚の質と時間的一貫性の著しい改善がもたらさ … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.MM | MagicMotion: Controllable Video Generation with Dense-to-Sparse Trajectory Guidance はコメントを受け付けていません