Buchumschlag

Hearing Anything Anywhere

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Mason, Sawata, Ryosuke, Clarke, Samuel, Gao, Ruohan, Wu, Shangzhe, Wu, Jiajun
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Sound Computer Vision and Pattern Recognition Machine Learning Audio and Speech Processing I.2.10; I.4.8
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CLIP-Joint-Detect: End-to-End Joint Training of Object Detectors with Contrastive Vision-Language Supervision
von: Raoufi, Behnam, et al.
Veröffentlicht: (2025)

Reducing Object Hallucination in LVLMs via Emphasizing Image-negative Tokens
von: Shen, Meng, et al.
Veröffentlicht: (2026)

SimWorld: A Unified Benchmark for Simulator-Conditioned Scene Generation via World Model
von: Li, Xinqing, et al.
Veröffentlicht: (2025)

DeltaVLM: Interactive Remote Sensing Image Change Analysis via Instruction-guided Difference Perception
von: Deng, Pei, et al.
Veröffentlicht: (2025)

Geo2Sound: A Scalable Geo-Aligned Framework for Soundscape Generation from Satellite Imagery
von: Wu, Kunlin, et al.
Veröffentlicht: (2026)

From eye to AI: studying rodent social behavior in the era of machine Learning
von: Chindemi, Giuseppe, et al.
Veröffentlicht: (2025)

Context in object detection: a systematic literature review
von: Jamali, Mahtab, et al.
Veröffentlicht: (2025)

Mask-Conditioned Voxel Diffusion for Joint Geometry and Color Inpainting
von: Sumuk, Aarya
Veröffentlicht: (2026)

Pedestrian Detection in Low-Light Conditions: A Comprehensive Survey
von: Ghari, Bahareh, et al.
Veröffentlicht: (2024)

PhysVideoGenerator: Towards Physically Aware Video Generation via Latent Physics Guidance
von: Satish, Siddarth Nilol Kundur, et al.
Veröffentlicht: (2026)

FlowIBR: Leveraging Pre-Training for Efficient Neural Image-Based Rendering of Dynamic Scenes
von: Büsching, Marcel, et al.
Veröffentlicht: (2023)

IMASHRIMP: Automatic White Shrimp (Penaeus vannamei) Biometrical Analysis from Laboratory Images Using Computer Vision and Deep Learning
von: González, Abiam Remache, et al.
Veröffentlicht: (2025)

OCC-MLLM-CoT-Alpha: Towards Multi-stage Occlusion Recognition Based on Large Language Models via 3D-Aware Supervision and Chain-of-Thoughts Guidance
von: Wang, Chaoyi, et al.
Veröffentlicht: (2025)

NOAH: Benchmarking Narrative Prior driven Hallucination and Omission in Video Large Language Models
von: Lee, Kyuho, et al.
Veröffentlicht: (2025)

Towards a Generalizable Fusion Architecture for Multimodal Object Detection
von: Berjawi, Jad, et al.
Veröffentlicht: (2025)

A Simple Baseline for Streaming Video Understanding
von: Shen, Yujiao, et al.
Veröffentlicht: (2026)

EmoVerse: A MLLMs-Driven Emotion Representation Dataset for Interpretable Visual Emotion Analysis
von: Guo, Yijie, et al.
Veröffentlicht: (2025)

SCA-Net: Spatial-Contextual Aggregation Network for Enhanced Small Building and Road Change Detection
von: Gholibeigi, Emad, et al.
Veröffentlicht: (2026)

Synthetic-Child: An AIGC-Based Synthetic Data Pipeline for Privacy-Preserving Child Posture Estimation
von: Zeng, Taowen
Veröffentlicht: (2026)

Exploring Surround-View Fisheye Camera 3D Object Detection
von: Li, Changcai, et al.
Veröffentlicht: (2025)

A Vision-Language Model for Focal Liver Lesion Classification
von: Jian, Song, et al.
Veröffentlicht: (2025)

Car Object Counting and Position Estimation via Extension of the CLIP-EBC Framework
von: Jung, Seoik, et al.
Veröffentlicht: (2025)

Pixel-Level Pavement Distress Assessment Using Instance Segmentation
von: Dewick, Logan, et al.
Veröffentlicht: (2026)

Vi-SAFE: A Spatial-Temporal Framework for Efficient Violence Detection in Public Surveillance
von: Chang, Ligang, et al.
Veröffentlicht: (2025)

A Reverse Causal Framework to Mitigate Spurious Correlations for Debiasing Scene Graph Generation
von: Sun, Shuzhou, et al.
Veröffentlicht: (2025)

Action Anticipation from SoccerNet Football Video Broadcasts
von: Dalal, Mohamad, et al.
Veröffentlicht: (2025)

A Recipe for Geometry-Aware 3D Mesh Transformers
von: Farazi, Mohammad, et al.
Veröffentlicht: (2024)

DFingerNet: Noise-Adaptive Speech Enhancement for Hearing Aids
von: Tsangko, Iosif, et al.
Veröffentlicht: (2025)

DejaVid: Encoder-Agnostic Learned Temporal Matching for Video Classification
von: Ho, Darryl, et al.
Veröffentlicht: (2025)

D3R-Net: Dual-Domain Denoising Reconstruction Network for Robust Industrial Anomaly Detection
von: Filatov, Dmytro, et al.
Veröffentlicht: (2026)

Slow - Motion Video Synthesis for Basketball Using Frame Interpolation
von: Huang, Jiantang
Veröffentlicht: (2025)

Revisiting SSL for sound event detection: complementary fusion and adaptive post-processing
von: Cui, Hanfang, et al.
Veröffentlicht: (2025)

Motion-Guided Semantic Alignment with Negative Prompts for Zero-Shot Video Action Recognition
von: Wang, Yiming, et al.
Veröffentlicht: (2026)

UnCageNet: Tracking and Pose Estimation of Caged Animal
von: Dutta, Sayak, et al.
Veröffentlicht: (2025)

A Light Perspective for 3D Object Detection
von: Pederiva, Marcelo Eduardo, et al.
Veröffentlicht: (2025)

Mistake Attribution: Fine-Grained Mistake Understanding in Egocentric Videos
von: Li, Yayuan, et al.
Veröffentlicht: (2025)

Combining Absolute and Semi-Generalized Relative Poses for Visual Localization
von: Panek, Vojtech, et al.
Veröffentlicht: (2024)

A Guide to Structureless Visual Localization
von: Panek, Vojtech, et al.
Veröffentlicht: (2025)

SelvaBox: A high-resolution dataset for tropical tree crown detection
von: Baudchon, Hugo, et al.
Veröffentlicht: (2025)

Facial Attribute Based Text Guided Face Anonymization
von: Muştu, Mustafa İzzet, et al.
Veröffentlicht: (2025)