研究提出BiSID-AVS：用双耳音频区分真正发声目标

Haoze Ma 等论文作者提出音频-视觉分割方法 BiSID-AVS，利用双耳音频的耳间差异作为空间约束，在多个同类候选目标共存时识别真正发声的实例，论文发布于 arXiv。 方法先用音频提示定位类别一致的候选区域，再将双耳线索投影到图像平面的空间响应图，并在特征和 decoder 层级做双层空间条件化。 作者称，在双耳扩展的 AVS-Synthetic 基准和面向机器人室内感知的 Habitat-AVS 数据集上，该方法在多候选子集上表现最佳，实例级 mIoU 分别提升 35.19 和 41.21 个百分点，并显著减少对非发声同类区域的误激活。

AI 根据报道生成 · 52 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。