Investigating the Invertibility of Multimodal Latent Spaces: Limitations of Optimization-Based Methods
Fuente:
arXiv
Enregistré dans:
| Auteur principal: | Park, Siwoo |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Multimodality Helps Unimodality: Cross-Modal Few-Shot Learning with Multimodal Models
par: Lin, Zhiqiu, et autres
Publié: (2023)
par: Lin, Zhiqiu, et autres
Publié: (2023)
NOTA: Multimodal Music Notation Understanding for Visual Large Language Model
par: Tang, Mingni, et autres
Publié: (2025)
par: Tang, Mingni, et autres
Publié: (2025)
Integrating Audio Narrations to Strengthen Domain Generalization in Multimodal First-Person Action Recognition
par: Gungor, Cagri, et autres
Publié: (2024)
par: Gungor, Cagri, et autres
Publié: (2024)
DiffGAP: A Lightweight Diffusion Module in Contrastive Space for Bridging Cross-Model Gap
par: Mo, Shentong, et autres
Publié: (2025)
par: Mo, Shentong, et autres
Publié: (2025)
Attention-Based Efficient Breath Sound Removal in Studio Audio Recordings
par: Elgiriyewithana, Nidula, et autres
Publié: (2024)
par: Elgiriyewithana, Nidula, et autres
Publié: (2024)
Multimodal Spatial Language Maps for Robot Navigation and Manipulation
par: Huang, Chenguang, et autres
Publié: (2025)
par: Huang, Chenguang, et autres
Publié: (2025)
Efficient Multiscale Multimodal Bottleneck Transformer for Audio-Video Classification
par: Zhu, Wentao
Publié: (2024)
par: Zhu, Wentao
Publié: (2024)
Efficient Selective Audio Masked Multimodal Bottleneck Transformer for Audio-Video Classification
par: Zhu, Wentao
Publié: (2024)
par: Zhu, Wentao
Publié: (2024)
AV-Lip-Sync+: Leveraging AV-HuBERT to Exploit Multimodal Inconsistency for Deepfake Detection of Frontal Face Videos
par: Shahzad, Sahibzada Adil, et autres
Publié: (2023)
par: Shahzad, Sahibzada Adil, et autres
Publié: (2023)
MMFformer: Multimodal Fusion Transformer Network for Depression Detection
par: Haque, Md Rezwanul, et autres
Publié: (2025)
par: Haque, Md Rezwanul, et autres
Publié: (2025)
Hearing Anywhere in Any Environment
par: Liu, Xiulong, et autres
Publié: (2025)
par: Liu, Xiulong, et autres
Publié: (2025)
Data Augmentation Using Neural Acoustic Fields With Retrieval-Augmented Pre-training
par: Ick, Christopher, et autres
Publié: (2025)
par: Ick, Christopher, et autres
Publié: (2025)
Spectral and Rhythm Feature Performance Evaluation for Category and Class Level Audio Classification with Deep Convolutional Neural Networks
par: Wolf-Monheim, Friedrich
Publié: (2025)
par: Wolf-Monheim, Friedrich
Publié: (2025)
Direction-Aware Neural Acoustic Fields for Few-Shot Interpolation of Ambisonic Impulse Responses
par: Ick, Christopher, et autres
Publié: (2025)
par: Ick, Christopher, et autres
Publié: (2025)
VisionScores -- A system-segmented image score dataset for deep learning tasks
par: Amezcua, Alejandro Romero, et autres
Publié: (2025)
par: Amezcua, Alejandro Romero, et autres
Publié: (2025)
Chirp Localization via Fine-Tuned Transformer Model: A Proof-of-Concept Study
par: Bahador, Nooshin, et autres
Publié: (2025)
par: Bahador, Nooshin, et autres
Publié: (2025)
DPN-GAN: Inducing Periodic Activations in Generative Adversarial Networks for High-Fidelity Audio Synthesis
par: Ahmad, Zeeshan, et autres
Publié: (2025)
par: Ahmad, Zeeshan, et autres
Publié: (2025)
Foley-Flow: Coordinated Video-to-Audio Generation with Masked Audio-Visual Alignment and Dynamic Conditional Flows
par: Mo, Shentong, et autres
Publié: (2026)
par: Mo, Shentong, et autres
Publié: (2026)
Tell What You Hear From What You See -- Video to Audio Generation Through Text
par: Liu, Xiulong, et autres
Publié: (2024)
par: Liu, Xiulong, et autres
Publié: (2024)
InfantCryNet: A Data-driven Framework for Intelligent Analysis of Infant Cries
par: Hong, Mengze, et autres
Publié: (2024)
par: Hong, Mengze, et autres
Publié: (2024)
SONICS: Synthetic Or Not -- Identifying Counterfeit Songs
par: Rahman, Md Awsafur, et autres
Publié: (2024)
par: Rahman, Md Awsafur, et autres
Publié: (2024)
Synthesizing Audio from Silent Video using Sequence to Sequence Modeling
par: Belinchon, Hugo Garrido-Lestache, et autres
Publié: (2024)
par: Belinchon, Hugo Garrido-Lestache, et autres
Publié: (2024)
Mini-Omni2: Towards Open-source GPT-4o with Vision, Speech and Duplex Capabilities
par: Xie, Zhifei, et autres
Publié: (2024)
par: Xie, Zhifei, et autres
Publié: (2024)
The Effect of Perceptual Metrics on Music Representation Learning for Genre Classification
par: Namgyal, Tashi, et autres
Publié: (2024)
par: Namgyal, Tashi, et autres
Publié: (2024)
Spectral and Rhythm Features for Audio Classification with Deep Convolutional Neural Networks
par: Wolf-Monheim, Friedrich
Publié: (2024)
par: Wolf-Monheim, Friedrich
Publié: (2024)
GMS-CAVP: Improving Audio-Video Correspondence with Multi-Scale Contrastive and Generative Pretraining
par: Mo, Shentong, et autres
Publié: (2026)
par: Mo, Shentong, et autres
Publié: (2026)
Ming-Omni: A Unified Multimodal Model for Perception and Generation
par: AI, Inclusion, et autres
Publié: (2025)
par: AI, Inclusion, et autres
Publié: (2025)
Modality-Inconsistent Continual Learning of Multimodal Large Language Models
par: Pian, Weiguo, et autres
Publié: (2024)
par: Pian, Weiguo, et autres
Publié: (2024)
Audio-Enhanced Vision-Language Modeling with Latent Space Broadening for High Quality Data Expansion
par: Sun, Yu, et autres
Publié: (2025)
par: Sun, Yu, et autres
Publié: (2025)
3DFacePolicy: Audio-Driven 3D Facial Animation Based on Action Control
par: Sha, Xuanmeng, et autres
Publié: (2024)
par: Sha, Xuanmeng, et autres
Publié: (2024)
AVTENet: A Human-Cognition-Inspired Audio-Visual Transformer-Based Ensemble Network for Video Deepfake Detection
par: Hashmi, Ammarah, et autres
Publié: (2023)
par: Hashmi, Ammarah, et autres
Publié: (2023)
A High-Accuracy Optical Music Recognition Method Based on Bottleneck Residual Convolutions
par: Ma, Junwen, et autres
Publié: (2026)
par: Ma, Junwen, et autres
Publié: (2026)
PianoVAM: A Multimodal Piano Performance Dataset
par: Kim, Yonghyun, et autres
Publié: (2025)
par: Kim, Yonghyun, et autres
Publié: (2025)
Latent Swap Joint Diffusion for 2D Long-Form Latent Generation
par: Dai, Yusheng, et autres
Publié: (2025)
par: Dai, Yusheng, et autres
Publié: (2025)
SAVE: Segment Audio-Visual Easy way using Segment Anything Model
par: Nguyen, Khanh-Binh, et autres
Publié: (2024)
par: Nguyen, Khanh-Binh, et autres
Publié: (2024)
Enriching Multimodal Sentiment Analysis through Textual Emotional Descriptions of Visual-Audio Content
par: Wu, Sheng, et autres
Publié: (2024)
par: Wu, Sheng, et autres
Publié: (2024)
Joint Multimodal Transformer for Emotion Recognition in the Wild
par: Waligora, Paul, et autres
Publié: (2024)
par: Waligora, Paul, et autres
Publié: (2024)
Dynamic Modality and View Selection for Multimodal Emotion Recognition with Missing Modalities
par: Menon, Luciana Trinkaus, et autres
Publié: (2024)
par: Menon, Luciana Trinkaus, et autres
Publié: (2024)
Integrating Audio, Visual, and Semantic Information for Enhanced Multimodal Speaker Diarization
par: Cheng, Luyao, et autres
Publié: (2024)
par: Cheng, Luyao, et autres
Publié: (2024)
Ditto: Motion-Space Diffusion for Controllable Realtime Talking Head Synthesis
par: Li, Tianqi, et autres
Publié: (2024)
par: Li, Tianqi, et autres
Publié: (2024)
Documents similaires
-
Multimodality Helps Unimodality: Cross-Modal Few-Shot Learning with Multimodal Models
par: Lin, Zhiqiu, et autres
Publié: (2023) -
NOTA: Multimodal Music Notation Understanding for Visual Large Language Model
par: Tang, Mingni, et autres
Publié: (2025) -
Integrating Audio Narrations to Strengthen Domain Generalization in Multimodal First-Person Action Recognition
par: Gungor, Cagri, et autres
Publié: (2024) -
DiffGAP: A Lightweight Diffusion Module in Contrastive Space for Bridging Cross-Model Gap
par: Mo, Shentong, et autres
Publié: (2025) -
Attention-Based Efficient Breath Sound Removal in Studio Audio Recordings
par: Elgiriyewithana, Nidula, et autres
Publié: (2024)