-
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.SD」カテゴリーアーカイブ
VoiceShop: A Unified Speech-to-Speech Framework for Identity-Preserving Zero-Shot Voice Editing
要約 私たちは、入力話者の音色を維持しながら、年齢、性別、アクセント、話し方など … 続きを読む
Any2Point: Empowering Any-modality Large Models for Efficient 3D Understanding
要約 最近、大規模な基礎モデルが注目を集めており、広範なシナリオで優れたパフォー … 続きを読む
MuPT: A Generative Symbolic Music Pretrained Transformer
要約 この論文では、音楽の事前トレーニングへの大規模言語モデル (LLM) の適 … 続きを読む
Towards generalizing deep-audio fake detection networks
要約 今日の生成ニューラル ネットワークでは、高品質の合成音声を大規模に作成でき … 続きを読む
nEMO: Dataset of Emotional Speech in Polish
要約 音声感情認識は、ヘルスケア、顧客サービス、対話システムのパーソナライゼーシ … 続きを読む
MuPT: A Generative Symbolic Music Pretrained Transformer
要約 この論文では、音楽の事前トレーニングへの大規模言語モデル (LLM) の適 … 続きを読む
SpeechAlign: Aligning Speech Generation to Human Preferences
要約 音声言語モデルは、リアルな音声を生成する点で大幅に進歩しており、ニューラル … 続きを読む
MLCA-AVSR: Multi-Layer Cross Attention Fusion based Audio-Visual Speech Recognition
要約 自動音声認識 (ASR) システムは騒がしい環境では大幅に性能が低下します … 続きを読む
Which Augmentation Should I Use? An Empirical Investigation of Augmentations for Self-Supervised Phonocardiogram Representation Learning
要約 最近の研究活動の増加にもかかわらず、深層学習モデルは医療などのいくつかの実 … 続きを読む
Africa-Centric Self-Supervised Pre-Training for Multilingual Speech Representation in a Sub-Saharan Context
要約 アフリカの音声のみを対象としてトレーニングされた、最初の自己教師あり多言語 … 続きを読む