タグ: マルチモーダルAI

7月 24 2026

0

構造化音声キャプション評価フレームワーク：LLM判定と数値指標の統合

投稿者: ユウ

TL;DR 本論文は、構造化された音声キャプション（タグ、説明文、数値…

7月 24 2026

0

音声とテキストの両方を使った認知機能障害検出：オープンLLMで実現する高精度・汎用的なマルチモーダルフレームワーク

投稿者: ユウ

TL;DR 本論文は、音声とその書き起こしテキストの両方から特徴を抽出…

7月 23 2026

0

画像と質問の順序で精度が変わるVLMの弱点をテスト時間学習で修復

投稿者: ユウ

TL;DR Vision-Language Modelは画像→質問の順…

7月 22 2026

0

OmniReasoner：長尺音声動画の推論を「ズームイン」ツールで効率化する手法

投稿者: ユウ

TL;DR OmniReasonerは、長い音声動画に対して、まず低コ…

7月 22 2026

0

VLM画像改ざん検出のためのシンプルなドメイン汎化フレームワーク

投稿者: ユウ

TL;DR PIXAR-DGは、VLMが生成した画像のピクセルレベルの…

7月 21 2026

0

テキストで指定した側面に基づく画像類似度指標TPIPS

投稿者: ユウ

TL;DR 人間の視覚的類似性判断は文脈（色・形・背景など）に依存する…

7月 21 2026

0

ToolSciVer：科学論文の図表を読み解く、強化学習でツールを使い分ける検証フレームワーク

投稿者: ユウ

TL;DR ToolSciVerは、科学論文の図表やグラフを正確に読み…

7月 20 2026

0

VTM-Nav：階層的視覚トポロジカルメモリで同一シーンの物体探索を再利用する

投稿者: ユウ

TL;DR VTM-Navは、同一シーンを繰り返し探索する物体ゴールナ…

7月 19 2026

0

複数LLM協調で脳腫瘍MRIレポート生成、3D VLMを実現

投稿者: ユウ

TL;DR 脳腫瘍（グリオーマ・髄膜腫）の3D MRIとテキストのペア…

7月 17 2026

0

画像付きIssueからコード位置を特定するベンチマーク「MM-IssueLoc」の紹介

投稿者: ユウ

TL;DR MM-IssueLocは、Issueに添付されたスクリーン…