Computerwissenschaften - Multimedia

Ein neuer Ansatz, um zugängliche virtuelle Räume mit WebXR und A-Frame zu erstellen.

SynthDoc erstellt synthetische Dokumente für maschinelles Lernen im Dokumentenlesen.

Diese Studie stellt ein Modell vor, um emotionale Reaktionen auf Videoinhalte zu analysieren.

In diesem Artikel geht's um die Vorteile von der Zusammenlegung von Sprach- und Gesichtserkennungssystemen.

Eine neue Methode, um RGBA-Bilder einfach und effektiv zu erstellen.

Kangaroo verbessert die Videoanalyse, indem es visuelle Elemente, Sounds und Text effektiv integriert.

Dieses Papier präsentiert ein einzelnes Encoder-Modell für verbesserte Bildsegmentierung basierend auf Textbeschreibungen.

Neue Methoden verbessern die Sprachtrennung in lauten Umgebungen.

Ein neues Framework verbessert die Genauigkeit bei Bildbeschreibungen und verringert Fehler.

Die Verbesserung, wie Maschinen Benutzer durch bessere Interaktion und Reaktionsmassnahmen unterstützen.

Eintauchen in digitale Menschen und haptische Schnittstellen für immersive Interaktionen.

Neue Methoden verbessern die Videoübertragung, indem sie fehlende Daten effektiv vorhersagen.

Ein Framework für die Echtzeitanpassung von Musik in Spielen und Filmen.

MRDAC verbessert die Videoqualität und -kompression von Gesichtern mithilfe mehrerer Referenzbilder.

Forscher erkunden Ultraschall-Echos für präzise Distanzmessungen in ruhigen Innenräumen.

Erforschung von Schattenerkennung, -entfernung und -generierung in der Computer Vision.

Eine neue Methode verbessert die Bildqualität bei schlechtem Wetter mithilfe von Sprach- und Vision-Modellen.

Dieses Framework verbessert die Effizienz von Multimedia-Apps und schützt dabei die Privatsphäre der Nutzer.

LongLLaVA verbessert das Verständnis von mehreren Bildern für verschiedene Anwendungen.

SegTalker verbessert sprechende Gesichts-Videos mit realistischen Texturen und einfacher Bearbeitung.

HiSC4D erfasst menschliche Bewegungen mithilfe tragbarer Sensoren für eine bessere Interaktionsanalyse.

Eine Methode vorstellen, um das Fragen-Beantworten in Videos mit mehreren Ereignissen zu verbessern.

Ein Überblick über audio-visuelle Sprecherdiarisierungsmethoden, Herausforderungen und Systeme.

Diese Arbeit verbessert die Vision-Sprach-Modelle durch bessere Datenstrategien und innovative Techniken.

Eine neue Methode verbessert die Objekterkennung in Bildern durch massgeschneiderte visuelle und textliche Integration.

SimCLIP verbessert die Meme-Analyse, indem es Text und Bilder effektiv kombiniert.

Das MIP-GAF-Dataset hilft dabei, soziale Dynamiken in Bildern zu analysieren.

Ein neuer Ansatz verfeinert die Verbindung zwischen Bildern und Text in VLMs.

Forschung verbindet Gemälde mit Musik, indem sie Emotionen interpretiert.

Eine Studie zeigt einen neuen Weg, um Emotionen mit Video, Sound und Text zu identifizieren.

Dieser Artikel beleuchtet, wie unterschiedliche Eingaben die Spracherkennung verbessern können.

LLaQo bietet detailliertes Feedback zur Bewertung von Musikaufführungen und verbessert so das Lernen der Schüler.

Erforschen, wie Starlink das Video-Streaming weltweit beeinflusst.

Künstliche Intelligenz verändert die Musik mit neuen Werkzeugen und Ansätzen.

Verbesserung der Echtzeitkommunikation durch neue Staukontrollmethoden.

Neue Methoden verbessern die Audio-Synchronisation bei wechselnden Videoszenen.

NVLM verbessert das Verständnis von KI für Sprache und Bilder bei verschiedenen Aufgaben.

Die TRIM-Methode reduziert Bildtokens in multimodalen Sprachmodellen, während die Leistung erhalten bleibt.

Erforschen, wie LLMs das Denken bei verschiedenen Datentypen verbessern.

PDMX bietet eine riesige Sammlung von Symbolmusik im öffentlichen Bereich für die KI-Entwicklung an.