Informática - Multimedia

SegTalker mejora los videos de caras que hablan con texturas realistas y edición sencilla.

HiSC4D captura el movimiento humano usando sensores portátiles para un mejor análisis de interacción.

Presentando un método para mejorar la respuesta a preguntas en videos con múltiples eventos.

Una visión general de métodos, desafíos y sistemas de diarización de altavoces audiovisuales.

Este trabajo mejora los modelos de visión-lenguaje a través de mejores estrategias de datos y técnicas innovadoras.

Un nuevo método mejora la identificación de objetos en imágenes mediante una integración visual y textual personalizada.

SimCLIP mejora el análisis de memes al combinar perfectamente texto e imágenes.

El conjunto de datos MIP-GAF ayuda a analizar las dinámicas sociales en las imágenes.

Un nuevo enfoque afina la conexión entre imágenes y texto en los VLMs.

La investigación relaciona pinturas con música al interpretar emociones.

Un estudio revela una nueva forma de identificar emociones usando video, sonido y texto.

Este artículo explora cómo diferentes entradas pueden mejorar la precisión del reconocimiento de voz.

LLaQo ofrece retroalimentación detallada para la evaluación del rendimiento musical, mejorando el aprendizaje de los estudiantes.

Explorando cómo Starlink influye en la transmisión de video a nivel mundial.

La inteligencia artificial está reinventando la música con nuevas herramientas y enfoques.

Mejorando la comunicación en tiempo real a través de nuevos métodos de control de congestión.

Nuevos métodos mejoran la sincronización de audio con escenas de video cambiantes.

NVLM mejora la comprensión del lenguaje y las imágenes por parte de la IA para diversas tareas.

El método TRIM reduce los tokens de imagen en modelos de lenguaje multimodal sin perder rendimiento.

Explorando cómo los LLMs mejoran el razonamiento en diferentes tipos de datos.

PDMX ofrece una gran colección de música simbólica de dominio público para el desarrollo de IA.

MoRAG mejora la generación de movimiento humano a partir de descripciones de texto utilizando recuperación específica por parte.

Un nuevo conjunto de datos busca mejorar el razonamiento multimodal en los modelos de lenguaje.

Métodos mejorados para la detección de bordes mejoran el modelado CAD a partir de escaneos 3D.

Un nuevo enfoque mejora la respuesta a preguntas de video a través del reconocimiento de texto en escenas.

Llama-AVSR combina entradas de audio y visuales para mejorar la precisión del reconocimiento de voz.

Un nuevo sistema para crear movimientos de cámara de baile sincronizados con la música.

Los equipos compiten para mejorar los métodos de predicción de la atención en videos.

Un nuevo método que combina modelos para mejorar la adaptación de dominio no supervisada en tareas de segmentación.

Un nuevo modelo crea audio que coincide con el video, mejorando las experiencias mediáticas.

Un nuevo marco mejora la calidad de los conjuntos de datos de video-lenguaje a través de un refinamiento iterativo.

Este marco mejora las animaciones en tiempo real al sincronizar el habla y los gestos de manera fluida.

Descubre cómo la retroalimentación háptica mejora las experiencias virtuales en varias industrias.

La investigación combina IA y dispositivos portátiles para predecir la agitación en pacientes con demencia.

Una nueva estrategia combina el entrenamiento generativo y discriminativo en Modelos de Visión-Lenguaje.

Este artículo habla sobre cómo medir la satisfacción del espectador en la transmisión de video en vivo.

Un nuevo método simplifica la creación de audio y video para una mejor sincronización.

PiVOT mejora el seguimiento de objetos usando indicaciones visuales y CLIP para mayor precisión.

Nuevos métodos mejoran la transmisión de videos al equilibrar calidad y rendimiento.

Presentamos un nuevo modelo y benchmark para evaluar tareas de audio múltiple.