YesBut：VLMに皮肉や風刺画を理解させるデータセットの登場！
YesBut：VLMに皮肉や風刺画を理解させるデータセットの登場！
dataset
画像認識
GPT-4Vを用いた一般化感情認識（GER）の総合的評価
GPT-4Vを用いた一般化感情認識（GER）の総合的評価
Large language models
【MMSEARCH】画像とテキストを統合したマルチモーダル検索システム
【MMSEARCH】画像とテキストを統合したマルチモーダル検索システム
Large language models
希少遺伝性疾患診断のためのマルチモーダルモデル「GestaltMML」
希少遺伝性疾患診断のためのマルチモーダルモデル「GestaltMML」
Large language models
【Qwen2-VL】画像や動画を異なる解像度で処理できる最新VLM
【Qwen2-VL】画像や動画を異なる解像度で処理できる最新VLM
Large language models
TryOnDiffusion: 試着画像生成の最強モデル
TryOnDiffusion: 試着画像生成の最強モデル
Image generation
See Finer, See More. テキストベースの人物検索のための暗黙のモダリティアライメント
See Finer, See More. テキストベースの人物検索のた ...
深層学習
【OmniGen】あらゆる画像系タスクをたった一つの生成モデルで実現！
【OmniGen】あらゆる画像系タスクをたった一つの生成モデルで実現！
Image generation
【LDDGAN】最高速の推論が可能な拡散モデル
【LDDGAN】最高速の推論が可能な拡散モデル
Diffusion Model
【NVLM】画像と言語タスクにおいてGPT-4oを上回るマルチモーダルLLM
【NVLM】画像と言語タスクにおいてGPT-4oを上回るマルチモーダル ...
Large language models
CLIPを用いたディープフェイク検出の新境地
CLIPを用いたディープフェイク検出の新境地
Fake Detection
GenTron: 画像生成、動画生成向けのDiffusion Transformers
GenTron: 画像生成、動画生成向けのDiffusion Tran ...
Image generation
Diffusion2GAN: 拡散モデルを条件付きGANに知識蒸留
Diffusion2GAN: 拡散モデルを条件付きGANに知識蒸留
Image generation
【コマ撮り画像の高FPS動画化】フレーム補間AI技術RIFE＆IFNetの仕組みと活用術
【コマ撮り画像の高FPS動画化】フレーム補間AI技術RIFE＆IFNe ...
Image generation
音声から自然な3Dトーキングフェイスを生成する「AVI-Talking」
音声から自然な3Dトーキングフェイスを生成する「AVI-Talking ...
Face Recognition
周波数マスクによる次世代ディープフェイク検出技術
周波数マスクによる次世代ディープフェイク検出技術
Fake Detection
【FreqNet】 周波数空間での学習による汎用的ディープフェイク検知
【FreqNet】 周波数空間での学習による汎用的ディープフェイク検知
Fake Detection
【DIFFUSSM】Attentionに依存しない拡散モデル
【DIFFUSSM】Attentionに依存しない拡散モデル
Image generation