Computerwissenschaften - Multimedia

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.

MoRAG verbessert die menschliche Bewegungsproduktion aus Textbeschreibungen mithilfe von teil-spezifischer Abrufung.

Ein neues Datenset soll das multimodale Denken in Sprachmodellen verbessern.

Verbesserte Methoden zur Grenzerkennung verbessern das CAD-Modellieren aus 3D-Scans.

Ein neuer Ansatz verbessert die Video-Fragenbeantwortung durch Szenen-Text-Erkennung.

Llama-AVSR kombiniert Audio- und visuelle Eingaben für eine verbesserte Spracherkennungsgenauigkeit.

Ein neues System für die Erstellung von Kamerabewegungen beim Tanzen, die mit Musik synchronisiert sind.

Teams wetteifern darum, Methoden zur Vorhersage der Videowiedergabe zu verbessern.

Eine neue Methode, die Modelle kombiniert, um die unüberwachte Domänenanpassung bei Segmentierungsaufgaben zu verbessern.

Ein neues Modell erstellt Audio, das zum Video passt und verbessert so das Medienerlebnis.

Ein neues Framework verbessert die Qualität von Video-Sprach-Datensätzen durch iterative Verfeinerung.

Dieses Framework verbessert Echtzeit-Animationen, indem es Sprache und Gesten nahtlos synchronisiert.

Entdecke, wie haptisches Feedback virtuelle Erlebnisse in verschiedenen Branchen verbessert.

Forschung kombiniert KI und tragbare Geräte, um Unruhe bei Demenzpatienten vorherzusagen.

Eine neue Strategie kombiniert generatives und diskriminatives Training in Vision-Language-Modellen.

In diesem Artikel geht's darum, wie man die Zufriedenheit der Zuschauer beim Live-Streaming von Videos misst.

Eine neue Methode vereinfacht die Erstellung von Audio und Video für bessere Synchronisation.

PiVOT verbessert das Objekttracking mit visuellen Eingaben und CLIP für genauere Ergebnisse.

Neue Methoden verbessern das Video-Streaming, indem sie Qualität und Leistung ausbalancieren.

Ein neues Modell und Benchmark zur Bewertung von Multi-Audio-Aufgaben vorstellen.