会员服务
将从图像中获取的简单描述转化为一个更加复杂的描述
The World is Not Mono: Enabling Spatial Understanding in Large Audio-Language Models
Arxiv
0+阅读 · 1月6日
Efficient Multi-Task Scene Analysis with RGB-D Transformers
Arxiv
0+阅读 · 1月1日
DeepASA: An Object-Oriented Multi-Purpose Network for Auditory Scene Analysis
Arxiv
0+阅读 · 2025年12月23日
ScenarioCLIP: Pretrained Transferable Visual Language Models and Action-Genome Dataset for Natural Scene Analysis
Arxiv
0+阅读 · 2025年11月25日
参考链接
微信扫码咨询专知VIP会员
Top