Verbesserung der Echtzeitkommunikation durch neue Staukontrollmethoden.
― 6 min Lesedauer
Computerwissenschaften - Multimedia
RSSNeue Methoden verbessern die Audio-Synchronisation bei wechselnden Videoszenen.
― 4 min Lesedauer
NVLM verbessert das Verständnis von KI für Sprache und Bilder bei verschiedenen Aufgaben.
― 6 min Lesedauer
Die TRIM-Methode reduziert Bildtokens in multimodalen Sprachmodellen, während die Leistung erhalten bleibt.
― 5 min Lesedauer
Erforschen, wie LLMs das Denken bei verschiedenen Datentypen verbessern.
― 8 min Lesedauer
PDMX bietet eine riesige Sammlung von Symbolmusik im öffentlichen Bereich für die KI-Entwicklung an.
― 6 min Lesedauer
MoRAG verbessert die menschliche Bewegungsproduktion aus Textbeschreibungen mithilfe von teil-spezifischer Abrufung.
― 5 min Lesedauer
Ein neues Datenset soll das multimodale Denken in Sprachmodellen verbessern.
― 7 min Lesedauer
Verbesserte Methoden zur Grenzerkennung verbessern das CAD-Modellieren aus 3D-Scans.
― 7 min Lesedauer
Ein neuer Ansatz verbessert die Video-Fragenbeantwortung durch Szenen-Text-Erkennung.
― 6 min Lesedauer
Llama-AVSR kombiniert Audio- und visuelle Eingaben für eine verbesserte Spracherkennungsgenauigkeit.
― 6 min Lesedauer
Ein neues System für die Erstellung von Kamerabewegungen beim Tanzen, die mit Musik synchronisiert sind.
― 5 min Lesedauer
Teams wetteifern darum, Methoden zur Vorhersage der Videowiedergabe zu verbessern.
― 5 min Lesedauer
Eine neue Methode, die Modelle kombiniert, um die unüberwachte Domänenanpassung bei Segmentierungsaufgaben zu verbessern.
― 6 min Lesedauer
Ein neues Modell erstellt Audio, das zum Video passt und verbessert so das Medienerlebnis.
― 5 min Lesedauer
Ein neues Framework verbessert die Qualität von Video-Sprach-Datensätzen durch iterative Verfeinerung.
― 5 min Lesedauer
Dieses Framework verbessert Echtzeit-Animationen, indem es Sprache und Gesten nahtlos synchronisiert.
― 5 min Lesedauer
Entdecke, wie haptisches Feedback virtuelle Erlebnisse in verschiedenen Branchen verbessert.
― 4 min Lesedauer
Forschung kombiniert KI und tragbare Geräte, um Unruhe bei Demenzpatienten vorherzusagen.
― 6 min Lesedauer
Eine neue Strategie kombiniert generatives und diskriminatives Training in Vision-Language-Modellen.
― 5 min Lesedauer
In diesem Artikel geht's darum, wie man die Zufriedenheit der Zuschauer beim Live-Streaming von Videos misst.
― 8 min Lesedauer
Eine neue Methode vereinfacht die Erstellung von Audio und Video für bessere Synchronisation.
― 6 min Lesedauer
PiVOT verbessert das Objekttracking mit visuellen Eingaben und CLIP für genauere Ergebnisse.
― 5 min Lesedauer
Neue Methoden verbessern das Video-Streaming, indem sie Qualität und Leistung ausbalancieren.
― 5 min Lesedauer
Ein neues Modell und Benchmark zur Bewertung von Multi-Audio-Aufgaben vorstellen.
― 6 min Lesedauer
WildFusion verbessert die Kartierung und Navigation von Robotern in komplexen Aussenbereichen mithilfe mehrerer Sensoren.
― 6 min Lesedauer
Eine neue Methode verbessert die Geschwindigkeit und Qualität der Bildkompression.
― 5 min Lesedauer
Diese Studie untersucht, wie Audio, Video und Text zusammen in der Spracherkennung funktionieren.
― 7 min Lesedauer
Entdecke, wie CCI die Qualitätseinschätzungen von Multimedia verbessert.
― 7 min Lesedauer
Forscher kombinieren Audio- und visuelle Hinweise, um Lügen genauer zu erkennen.
― 6 min Lesedauer
Ein neues Framework erkennt, wann multimodale Modelle ungeeignete Trainingsdaten verwenden.
― 5 min Lesedauer
Entdeck, wie sensorische Wahrnehmung die Kommunikation über Kulturen und Fachgebiete hinweg verbessert.
― 7 min Lesedauer
PIAST bietet eine einzigartige Sammlung von Klaviermusik für Forscher.
― 5 min Lesedauer
Maschinen lernen, Geräusche und Bilder in 3D-Räumen zu verbinden.
― 8 min Lesedauer
Ein neuer Ansatz, um Bilder und Texte für bessere Suchergebnisse zu kombinieren.
― 5 min Lesedauer
Erfahre, wie TSE die Spracherkennung in lauten Umgebungen mit Text-Hinweisen verbessert.
― 6 min Lesedauer
Ein frisches System zum Mischen von Audio-Proben, um Musikschaffenden das Innovieren zu erleichtern.
― 6 min Lesedauer
Ein System erstellt in Echtzeit Musik basierend auf Erzählungen von Tischrollenspielen.
― 8 min Lesedauer
Mit dem Anstieg von Deepfakes wird die Notwendigkeit für effektive Erkennung immer wichtiger.
― 5 min Lesedauer
TaylorIR verbessert die Bildklarheit mit weniger Rechenleistung.
― 7 min Lesedauer