Tae-Hyun Oh

ObjectDRは、2D画像からの3D形状再構築を改善するためにペアデータを生成する。

新しいモデルは、効果的な動きの拡大でリアルタイムの動画分析を強化するよ。

音声と視覚情報をうまく使って音源定位を改善する研究。

新しいベンチマークが視覚と言語モデルのハルシネーションに光を当ててる。

この記事では、VLMが画像の色、形、意味をどのように認識するかを調査しているよ。