Informática - Multimédia

Cap2Sum usa legendas densas de vídeo pra melhorar a eficiência e a eficácia da sumarização de vídeos.

MaVEn melhora a capacidade da IA de processar várias imagens pra dar um raciocínio melhor.

A IA tá mudando a forma como a música é composta e vivida.

Um novo método melhora o reconhecimento de emoções em conversas usando várias fontes de dados.

Apresentando o RMARN: uma abordagem inovadora para conectar texto e dados 3D.

Um novo método transforma texto em cenas 3D detalhadas sem esforço.

Uma nova abordagem para criar espaços virtuais acessíveis usando WebXR e A-Frame.

A SynthDoc cria documentos sintéticos pra aprendizado de máquina em leitura de documentos.

Este estudo apresenta um modelo para analisar reações emocionais a conteúdos em vídeo.

Este artigo fala sobre os benefícios de juntar sistemas de reconhecimento de voz e facial.

Um novo jeito de criar imagens RGBA de forma fácil e eficaz.

Kangaroo melhora a análise de vídeo integrando visuais, sons e texto de forma eficaz.

Este artigo apresenta um modelo de codificador único para melhorar a segmentação de imagens com base em descrições de texto.

Novos métodos melhoram a separação de vozes em ambientes barulhentos.

Um novo framework melhora a precisão das legendas de imagens e reduz erros.

Melhorando como as máquinas ajudam os usuários por meio de interações e respostas mais eficazes.

Explorando humanos digitais e interfaces hápticas pra interações imersivas.

Novos métodos melhoram a transmissão de vídeo prevendo os dados ausentes de forma eficaz.

Uma estrutura para ajuste de música em tempo real em jogos e filmes.

O MRDAC melhora a qualidade do vídeo facial e a compressão usando múltiplos quadros de referência.

Pesquisadores exploram ecos ultrassônicos para medir distâncias com precisão em ambientes internos tranquilos.

Explorando detecção, remoção e geração de sombras na visão computacional.

Um novo método melhora a qualidade da imagem em condições climáticas ruins usando modelos de linguagem e visão.

Esse framework melhora a eficiência de apps multimídia enquanto protege a privacidade do usuário.

LongLLaVA melhora a compreensão de várias imagens para várias aplicações.

O SegTalker melhora vídeos de rostos falantes com texturas realistas e edição fácil.

HiSC4D captura o movimento humano usando sensores vestíveis pra uma análise de interação melhor.

Apresentando um método pra melhorar a resposta a perguntas em vídeos com vários eventos.

Uma visão geral dos métodos de diarização de falantes em áudio-visual, desafios e sistemas.

Esse trabalho melhora os modelos de visão-linguagem com estratégias de dados melhores e técnicas inovadoras.

Um novo método melhora a identificação de objetos em imagens através da integração personalizada de visual e texto.

SimCLIP melhora a análise de memes ao combinar texto e imagens de forma eficaz.

O conjunto de dados MIP-GAF ajuda a analisar a dinâmica social em imagens.

Uma nova abordagem aprimora a conexão entre imagens e texto em VLMs.

Pesquisa liga pinturas à música interpretando emoções.

Um estudo revela uma nova forma de identificar emoções usando vídeo, som e texto.

Este artigo explora como entradas variadas podem aumentar a precisão do reconhecimento de fala.

O LLaQo oferece um feedback detalhado para a avaliação de performances musicais, melhorando o aprendizado dos alunos.

Explorando como a Starlink influencia o streaming de vídeo no mundo todo.

A inteligência artificial tá mudando a música com novas ferramentas e jeitos de fazer.