「言葉」で指示して「画像」で探す！OWL-ViTが実現するオープンボキャブラリー物体検出
「言葉」で指示して「画像」で探す！OWL-ViTが実現するオープンボキ ...
Neural Network
画像認識
【Libra】分離型ビジョンシステムを用いた大規模言語モデルの新たな多モーダル設計
【Libra】分離型ビジョンシステムを用いた大規模言語モデルの新たな多 ...
Large language models
MVANet: 背景削除の最強モデル
MVANet: 背景削除の最強モデル
Neural Network
【愛犬も話したZero-shot Learning】AI音声クローンとリップシンキングの検証と解説
【愛犬も話したZero-shot Learning】AI音声クローンと ...
Neural Network
MaskDiT: 画像生成向けた低学習コストの拡散モデル
MaskDiT: 画像生成向けた低学習コストの拡散モデル
Image generation
商品カテゴリやブランドのスタイルを考慮したEコマース背景画像生成
商品カテゴリやブランドのスタイルを考慮したEコマース背景画像生成
Image generation
新しい画像編集手法「イミテイティブ編集」を実現するMimicBrushを提案
新しい画像編集手法「イミテイティブ編集」を実現するMimicBrush ...
Image Editing
Text-2-Image拡散モデルを用いた物体の背景生成
Text-2-Image拡散モデルを用いた物体の背景生成
Image generation
推論過程を書き出すホワイトボードを与えることで、LLMの視覚的推論能力が大きく向上！？
推論過程を書き出すホワイトボードを与えることで、LLMの視覚的推論能力 ...
Prompting Method
MicroDiffusion: 数万ドルのモデルに勝る千ドルの生成画質モデル
MicroDiffusion: 数万ドルのモデルに勝る千ドルの生成画質 ...
Image generation
大規模言語モデルで実現する人間-ロボット協働組立
大規模言語モデルで実現する人間-ロボット協働組立
robot
【GenAI-Arena】ユーザー投票で生成モデルを評価する新プラットフォーム
【GenAI-Arena】ユーザー投票で生成モデルを評価する新プラット ...
Large language models
【SKETCHPAD】マルチモーダル言語モデルの推論を中間スケッチで強化
【SKETCHPAD】マルチモーダル言語モデルの推論を中間スケッチで強 ...
Large language models
【Plot2Code】マルチモーダルLLMのコード生成をテストするベンチマーク
【Plot2Code】マルチモーダルLLMのコード生成をテストするベン ...
Large language models
LLMを活用したエージェント支援型の動画編集ツール「LAVE」
LLMを活用したエージェント支援型の動画編集ツール「LAVE」
Large language models
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
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