Buchumschlag

Show Me the World in My Language: Establishing the First Baseline for Scene-Text to Scene-Text Translation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vaidya, Shreyas, Sharma, Arvind Kumar, Gatti, Prajwal, Mishra, Anand
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Computation and Language Multimedia
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Composite Sketch+Text Queries for Retrieving Objects with Elusive Names and Complex Interactions
von: Gatti, Prajwal, et al.
Veröffentlicht: (2025)

Scene-Text Grounding for Text-Based Video Question Answering
von: Zhou, Sheng, et al.
Veröffentlicht: (2024)

MorphText: Deep Morphology Regularized Arbitrary-shape Scene Text Detection
von: Xu, Chengpei, et al.
Veröffentlicht: (2024)

EgoTextVQA: Towards Egocentric Scene-Text Aware Video Question Answering
von: Zhou, Sheng, et al.
Veröffentlicht: (2025)

SceneDreamer360: Text-Driven 3D-Consistent Scene Generation with Panoramic Gaussian Splatting
von: Li, Wenrui, et al.
Veröffentlicht: (2024)

Bharat Scene Text: A Novel Comprehensive Dataset and Benchmark for Indian Language Scene Text Understanding
von: De, Anik, et al.
Veröffentlicht: (2025)

STEFANN: Scene Text Editor using Font Adaptive Neural Network
von: Roy, Prasun, et al.
Veröffentlicht: (2019)

FASTER: A Font-Agnostic Scene Text Editing and Rendering Framework
von: Das, Alloy, et al.
Veröffentlicht: (2023)

Teach Me Sign: Stepwise Prompting LLM for Sign Language Production
von: An, Zhaoyi, et al.
Veröffentlicht: (2025)

MuLTI: Efficient Video-and-Language Understanding with Text-Guided MultiWay-Sampler and Multiple Choice Modeling
von: Xu, Jiaqi, et al.
Veröffentlicht: (2023)

Beyond Coarse-Grained Matching in Video-Text Retrieval
von: Chen, Aozhu, et al.
Veröffentlicht: (2024)

DeepMoLM: Leveraging Visual and Geometric Structural Information for Molecule-Text Modeling
von: Lan, Jing, et al.
Veröffentlicht: (2026)

Improving Gloss-free Sign Language Translation by Reducing Representation Density
von: Ye, Jinhui, et al.
Veröffentlicht: (2024)

DreamArtist++: Controllable One-Shot Text-to-Image Generation via Positive-Negative Adapter
von: Dong, Ziyi, et al.
Veröffentlicht: (2022)

ControlText: Unlocking Controllable Fonts in Multilingual Text Rendering without Font Annotations
von: Jiang, Bowen, et al.
Veröffentlicht: (2025)

Toward Automatic Relevance Judgment using Vision--Language Models for Image--Text Retrieval Evaluation
von: Yang, Jheng-Hong, et al.
Veröffentlicht: (2024)

Scene Graph Generation with Role-Playing Large Language Models
von: Chen, Guikun, et al.
Veröffentlicht: (2024)

Discriminative Probing and Tuning for Text-to-Image Generation
von: Qu, Leigang, et al.
Veröffentlicht: (2024)

Multimodal LLM-Guided Semantic Correction in Text-to-Image Diffusion
von: Lv, Zheqi, et al.
Veröffentlicht: (2025)

V-FAT: Benchmarking Visual Fidelity Against Text-bias
von: Wang, Ziteng, et al.
Veröffentlicht: (2026)

Evaluating Text-to-Visual Generation with Image-to-Text Generation
von: Lin, Zhiqiu, et al.
Veröffentlicht: (2024)

Spatio-Temporal Data Enhanced Vision-Language Model for Traffic Scene Understanding
von: Ma, Jingtian, et al.
Veröffentlicht: (2025)

Layout-Aware Text Editing for Efficient Transformation of Academic PDFs to Markdown
von: Duan, Changxu
Veröffentlicht: (2025)

Unleashing Text-to-Image Diffusion Prior for Zero-Shot Image Captioning
von: Luo, Jianjie, et al.
Veröffentlicht: (2024)

HiScene: Creating Hierarchical 3D Scenes with Isometric View Generation
von: Dong, Wenqi, et al.
Veröffentlicht: (2025)

CLOSP: A Unified Semantic Space for SAR, MSI, and Text in Remote Sensing
von: Cambrin, Daniele Rege, et al.
Veröffentlicht: (2025)

Self-Adaptive Sampling for Efficient Video Question-Answering on Image--Text Models
von: Han, Wei, et al.
Veröffentlicht: (2023)

Both Text and Images Leaked! A Systematic Analysis of Data Contamination in Multimodal LLM
von: Song, Dingjie, et al.
Veröffentlicht: (2024)

Vision as a Dialect: Unifying Visual Understanding and Generation via Text-Aligned Representations
von: Han, Jiaming, et al.
Veröffentlicht: (2025)

SonoWorld: From One Image to a 3D Audio-Visual Scene
von: Jin, Derong, et al.
Veröffentlicht: (2026)

Single Image Dehazing Using Scene Depth Ordering
von: Ling, Pengyang, et al.
Veröffentlicht: (2024)

Dual-Modal Attention-Enhanced Text-Video Retrieval with Triplet Partial Margin Contrastive Learning
von: Jiang, Chen, et al.
Veröffentlicht: (2023)

Words or Vision: Do Vision-Language Models Have Blind Faith in Text?
von: Deng, Ailin, et al.
Veröffentlicht: (2025)

Modality-Aware Shot Relating and Comparing for Video Scene Detection
von: Tan, Jiawei, et al.
Veröffentlicht: (2024)

IsoSignVid2Aud: Sign Language Video to Audio Conversion without Text Intermediaries
von: Kavediya, Harsh, et al.
Veröffentlicht: (2025)

UniScene: Multi-Camera Unified Pre-training via 3D Scene Reconstruction for Autonomous Driving
von: Min, Chen, et al.
Veröffentlicht: (2023)

TextBraTS: Text-Guided Volumetric Brain Tumor Segmentation with Innovative Dataset Development and Fusion Module Exploration
von: Shi, Xiaoyu, et al.
Veröffentlicht: (2025)

CPSL: Representing Volumetric Video via Content-Promoted Scene Layers
von: Hu, Kaiyuan, et al.
Veröffentlicht: (2025)

Scene Aware Person Image Generation through Global Contextual Conditioning
von: Roy, Prasun, et al.
Veröffentlicht: (2022)

SCENEFORGE: Enhancing 3D-text alignment with Structured Scene Compositions
von: Sbrolli, Cristian, et al.
Veröffentlicht: (2025)