会员服务
Affordance RAG: Hierarchical Multimodal Retrieval with Affordance-Aware Embodied Memory for Mobile Manipulation
Arxiv
0+阅读 · 2025年12月22日
AV-Edit: Multimodal Generative Sound Effect Editing via Audio-Visual Semantic Joint Control
Arxiv
0+阅读 · 2025年11月26日
Visual Semantic Relatedness Dataset for Image Captioning
Arxiv
1+阅读 · 2023年4月30日
Improved Diffusion-based Image Colorization via Piggybacked Models
Arxiv
0+阅读 · 2023年4月21日
Image-text Retrieval via preserving main Semantics of Vision
Arxiv
0+阅读 · 2023年4月20日
Segment Everything Everywhere All at Once
Arxiv
3+阅读 · 2023年4月13日
VLPD: Context-Aware Pedestrian Detection via Vision-Language Semantic Self-Supervision
Arxiv
0+阅读 · 2023年4月6日
A Closer Look at Audio-Visual Semantic Segmentation
Arxiv
1+阅读 · 2023年4月6日
Locate Then Generate: Bridging Vision and Language with Bounding Box for Scene-Text VQA
Arxiv
0+阅读 · 2023年4月4日
参考链接
微信扫码咨询专知VIP会员
Top