-
最近の投稿
- BlabberSeg: Real-Time Embedded Open-Vocabulary Aerial Segmentation
- Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks
- Risk Assessment for Autonomous Landing in Urban Environments using Semantic Segmentation
- Configurable Embodied Data Generation for Class-Agnostic RGB-D Video Segmentation
- RPCBF: Constructing Safety Filters Robust to Model Error and Disturbances via Policy Control Barrier Functions
-
最近のコメント
表示できるコメントはありません。 cs.AI (28260) cs.CL (21356) cs.CR (2207) cs.CV (34912) cs.LG (33009) cs.RO (16270) cs.SY (2503) eess.IV (4251) eess.SY (2497) stat.ML (4424)
「eess.AS」カテゴリーアーカイブ
Chat with the Environment: Interactive Multimodal Perception Using Large Language Models
要約 複雑な世界でロボットの動作をプログラミングするには、器用な低レベルのスキル … 続きを読む
Audio-Visual Segmentation by Exploring Cross-Modal Mutual Semantics
要約 オーディオビジュアル セグメンテーション (AVS) タスクは、特定のビデ … 続きを読む
DiffProsody: Diffusion-based Latent Prosody Generation for Expressive Speech Synthesis with Prosody Conditional Adversarial Training
要約 表現力豊かなテキスト読み上げシステムは、韻律モデリングにより大幅な進歩を遂 … 続きを読む
Deep Transfer Learning for Automatic Speech Recognition: Towards Better Generalization
要約 自動音声認識 (ASR) は、最近、深層学習 (DL) を使用する際の重要 … 続きを読む
Improving grapheme-to-phoneme conversion by learning pronunciations from speech recordings
要約 Grapheme-to-Phoneme (G2P) タスクは、正書法入力を … 続きを読む
Comparing normalizing flows and diffusion models for prosody and acoustic modelling in text-to-speech
要約 ニューラル テキスト読み上げシステムは、多くの場合、L1/L2 損失に基づ … 続きを読む
Multilingual context-based pronunciation learning for Text-to-Speech
要約 音声情報と言語知識は、音声合成 (TTS) フロントエンドの重要なコンポー … 続きを読む
Contrastive Conditional Latent Diffusion for Audio-visual Segmentation
要約 我々は、オーディオの寄与を広範囲に調査するために、オーディオビジュアルセグ … 続きを読む
Audio-visual video-to-speech synthesis with synthesized input audio
要約 ビデオ音声合成では、サイレント ビデオから話者の音声信号を再構築します。 … 続きを読む