RoboTwin 2.0：両腕操作ロボットのためのスケーラブルな合成データ生成とベンチマーク設計
RoboTwin 2.0：両腕操作ロボットのためのスケーラブルな合成デ ...
LLM-Paper
Computer Vision
DualTHORとは何か？双腕ロボットの現実適応力を高める次世代シミュレータ
DualTHORとは何か？双腕ロボットの現実適応力を高める次世代シミュ ...
LLM-Paper
GPT-4oレベルの画像生成を民主化する：Janus-4oとShareGPT-4o-Imageの挑戦
GPT-4oレベルの画像生成を民主化する：Janus-4oとShare ...
LLM-Paper
画像を忘れないAIへ、CoMemoが切り拓く次世代視覚と言語モデル
画像を忘れないAIへ、CoMemoが切り拓く次世代視覚と言語モデル
LLM-Paper
PictSure：視覚埋め込みの力でFew-Shot分類に挑む新手法
PictSure：視覚埋め込みの力でFew-Shot分類に挑む新手法
LLM-Paper
Ultra-Sparse Memory Network：Transformerの記憶効率を変える新手法
Ultra-Sparse Memory Network：Transfo ...
LLM-Paper
Insight-V：視覚と思考をつなぐマルチモーダル推論の新戦略
Insight-V：視覚と思考をつなぐマルチモーダル推論の新戦略
LLM-Paper
Stable Flow: 画像生成を支える“本当に重要な層”を可視化
Stable Flow: 画像生成を支える“本当に重要な層”を可視化
LLM-Paper
【SOK-Bench】動画における実世界の知識を活用した状況的ビデオ推論ベンチマーク
【SOK-Bench】動画における実世界の知識を活用した状況的ビデオ推 ...
Computer Vision
長編動画の理解力を試す新たなベンチマーク「Vript-Hard」
長編動画の理解力を試す新たなベンチマーク「Vript-Hard」
Large language models
クラモトモデルが可能にする非ユークリッド空間での機械学習
クラモトモデルが可能にする非ユークリッド空間での機械学習
Computer Vision
【InsectMamba】スマート農業を支える状態空間モデルを使用した害虫の分類
【InsectMamba】スマート農業を支える状態空間モデルを使用した ...
Computer Vision
【CoMat】テキストとイメージの乖離を解消する
【CoMat】テキストとイメージの乖離を解消する
Computer Vision
【OW-VISCap】見たことない物体にも注目 - オープンワールドビデオ理解の新アプローチ
【OW-VISCap】見たことない物体にも注目 - オープンワールドビ ...
Computer Vision
CLIPを通じたゼロショット画像理解モデルの堅牢性評価
CLIPを通じたゼロショット画像理解モデルの堅牢性評価
Contrastive Learning
【VideoAgent】大規模言語モデルをエージェントとして使用した長編ビデオの理解
【VideoAgent】大規模言語モデルをエージェントとして使用した長 ...
Computer Vision
【Segment Anything】ゼロショットセグメンテーションモデル
【Segment Anything】ゼロショットセグメンテーションモデ ...
segmentation
アップルがLLMのようにスケーラブルな大規模自己回帰画像モデルを開発
アップルがLLMのようにスケーラブルな大規模自己回帰画像モデルを開発
Computer Vision