· ai
[Paper] Video4Spatial：迈向具备上下文引导的视频生成的视觉空间智能
我们调查视频生成模型是否能够展现视觉空间智能，这是一种对人类认知至关重要的能力，仅使用视觉数据。为此……
-
- · ai
[Paper] ViSAudio：端到端视频驱动的双耳空间音频生成
尽管视频到音频生成取得了进展，该领域主要关注单声道输出，缺乏空间沉浸感。现有的binaural方法仍然……
- · ai
[论文] MAViD：用于音频-视觉对话理解与生成的多模态框架
我们提出 MAViD，一个用于 Audio-Visual Dialogue 理解和生成的全新 Multimodal 框架。现有方法主要关注非交互式的……
- · ai
[Paper] SMP：可复用的 Score-Matching Motion Priors 用于基于物理的角色控制
Data-driven motion priors 能够引导 agents 产生自然行为，在创建逼真的虚拟角色方面发挥关键作用。Adversaria...
- · ai
[Paper] Unrolled Networks 是 MRI 重建中的条件概率流
磁共振成像（MRI）提供了出色的软组织对比度且无需电离辐射，但其长时间的采集限制了临床实用性。最近……
- · ai
[论文] 用于肖像视频编辑的 In-Context Sync-LoRA
编辑肖像视频是一项具有挑战性的任务，需要在广泛的修改范围内实现灵活且精确的控制，例如外观变化、表情……
- · ai
[Paper] U4D：不确定性感知的4D世界建模基于LiDAR序列
从 LiDAR 序列建模动态 3D 环境是构建可靠的 4D 世界以用于 autonomous driving 和 embodied AI 的核心。现有的生成框架……
- · ai
[Paper] InEx：通过自省和跨模态多代理协作进行幻觉缓解
幻觉仍然是大型语言模型（LLMs）的关键挑战，阻碍了可靠的多模态LLM（MLLM）发展。现有的解决方案……
- · ai
[Paper] 上下文图像攻击：视觉上下文如何暴露多模态安全漏洞
虽然 Multimodal Large Language Models (MLLMs) 展现出卓越的能力，但它们的安全对齐容易受到 jailbreak 攻击。现有的攻击方法...
- · ai
[Paper] BEVDilation：LiDAR中心的多模态融合用于3D目标检测
在鸟瞰视图（BEV）表示中融合 LiDAR 和 camera 信息已证明其在 3D object detection 中的有效性。然而，因为...
- · ai
[Paper] 轻量级实时低光增强网络用于嵌入式汽车视觉系统
在低光环境下，如夜间驾驶，图像退化严重挑战 in-vehicle camera 的安全性。由于现有的 enhancement algorithms 通常……
- · ai
[Paper] Layout Anything：一种用于通用房间布局估计的 Transformer
我们提出 Layout Anything，一个基于 transformer 的室内布局估计框架，它将 OneFormer 的通用分割架构适配到几何…