Buchumschlag

Multimodal Transformer Distillation for Audio-Visual Synchronization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Xuanjun, Wu, Haibin, Wang, Chung-Che, Lee, Hung-yi, Jang, Jyh-Shing Roger
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Computer Vision and Pattern Recognition Information Retrieval Sound Audio and Speech Processing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Singing Voice Graph Modeling for SingFake Detection
von: Chen, Xuanjun, et al.
Veröffentlicht: (2024)

Neural Codec-based Adversarial Sample Detection for Speaker Verification
von: Chen, Xuanjun, et al.
Veröffentlicht: (2024)

Codec-Based Deepfake Source Tracing via Neural Audio Codec Taxonomy
von: Chen, Xuanjun, et al.
Veröffentlicht: (2025)

Localizing Audio-Visual Deepfakes via Hierarchical Boundary Modeling
von: Chen, Xuanjun, et al.
Veröffentlicht: (2025)

DFADD: The Diffusion and Flow-Matching Based Audio Deepfake Dataset
von: Du, Jiawei, et al.
Veröffentlicht: (2024)

Joint Fullband-Subband Modeling for High-Resolution SingFake Detection
von: Chen, Xuanjun, et al.
Veröffentlicht: (2026)

Adversarial Speaker Distillation for Countermeasure Model on Automatic Speaker Verification
von: Liao, Yen-Lun, et al.
Veröffentlicht: (2022)

CodecFake+: A Large-Scale Neural Audio Codec-Based Deepfake Speech Dataset
von: Chen, Xuanjun, et al.
Veröffentlicht: (2025)

Towards Generalized Source Tracing for Codec-Based Deepfake Speech
von: Chen, Xuanjun, et al.
Veröffentlicht: (2025)

CodecFake: Enhancing Anti-Spoofing Models Against Deepfake Audios from Codec-Based Speech Synthesis Systems
von: Wu, Haibin, et al.
Veröffentlicht: (2024)

Singer separation for karaoke content generation
von: Lin, Hsuan-Yu, et al.
Veröffentlicht: (2021)

Language-based Audio Retrieval with Co-Attention Networks
von: Sun, Haoran, et al.
Veröffentlicht: (2024)

DiffATR: Diffusion-based Generative Modeling for Audio-Text Retrieval
von: Xin, Yifei, et al.
Veröffentlicht: (2024)

LARP: Language Audio Relational Pre-training for Cold-Start Playlist Continuation
von: Salganik, Rebecca, et al.
Veröffentlicht: (2024)

Multiscale Matching Driven by Cross-Modal Similarity Consistency for Audio-Text Retrieval
von: Wang, Qian, et al.
Veröffentlicht: (2024)

TALKPLAY: Multimodal Music Recommendation with Large Language Models
von: Doh, Seungheon, et al.
Veröffentlicht: (2025)

SpeechDPR: End-to-End Spoken Passage Retrieval for Open-Domain Spoken Question Answering
von: Lin, Chyi-Jiunn, et al.
Veröffentlicht: (2024)

Do Captioning Metrics Reflect Music Semantic Alignment?
von: Lee, Jinwoo, et al.
Veröffentlicht: (2024)

EAViT: External Attention Vision Transformer for Audio Classification
von: Iqbal, Aquib, et al.
Veröffentlicht: (2024)

Metric Learning with Progressive Self-Distillation for Audio-Visual Embedding Learning
von: Zeng, Donghuo, et al.
Veröffentlicht: (2025)

Towards audio language modeling -- an overview
von: Wu, Haibin, et al.
Veröffentlicht: (2024)

Track Role Prediction of Single-Instrumental Sequences
von: Han, Changheon, et al.
Veröffentlicht: (2024)

Nested Music Transformer: Sequentially Decoding Compound Tokens in Symbolic Music and Audio Generation
von: Yoo, HaeJun, et al.
Veröffentlicht: (2024)

How Does Instrumental Music Help SingFake Detection?
von: Chen, Xuanjun, et al.
Veröffentlicht: (2025)

Pretrained Conformers for Audio Fingerprinting and Retrieval
von: Altwlkany, Kemal, et al.
Veröffentlicht: (2025)

Dissecting Temporal Understanding in Text-to-Audio Retrieval
von: Oncescu, Andreea-Maria, et al.
Veröffentlicht: (2024)

VoxRAG: A Step Toward Transcription-Free RAG Systems in Spoken Question Answering
von: Rackauckas, Zackary, et al.
Veröffentlicht: (2025)

Exploring Diverse Sounds: Identifying Outliers in a Music Corpus
von: Cai, Le, et al.
Veröffentlicht: (2024)

Music Discovery Dialogue Generation Using Human Intent Analysis and Large Language Models
von: Doh, SeungHeon, et al.
Veröffentlicht: (2024)

Personalized Dynamic Music Emotion Recognition with Dual-Scale Attention-Based Meta-Learning
von: Zhang, Dengming, et al.
Veröffentlicht: (2024)

Expressivity-aware Music Performance Retrieval using Mid-level Perceptual Features and Emotion Word Embeddings
von: Chowdhury, Shreyan, et al.
Veröffentlicht: (2024)

Exploring GPT's Ability as a Judge in Music Understanding
von: Fang, Kun, et al.
Veröffentlicht: (2025)

Multi-Sample Dynamic Time Warping for Few-Shot Keyword Spotting
von: Wilkinghoff, Kevin, et al.
Veröffentlicht: (2024)

Automatic Estimation of Singing Voice Musical Dynamics
von: Narang, Jyoti, et al.
Veröffentlicht: (2024)

Bridging the Gap Between Semantic and User Preference Spaces for Multi-modal Music Representation Learning
von: Pan, Xiaofeng, et al.
Veröffentlicht: (2025)

FusID: Modality-Fused Semantic IDs for Generative Music Recommendation
von: Kim, Haven, et al.
Veröffentlicht: (2026)

Evaluating Interval-based Tokenization for Pitch Representation in Symbolic Music Analysis
von: Le, Dinh-Viet-Toan, et al.
Veröffentlicht: (2025)

A SOUND APPROACH: Using Large Language Models to generate audio descriptions for egocentric text-audio retrieval
von: Oncescu, Andreea-Maria, et al.
Veröffentlicht: (2024)

Evaluating High-Resolution Piano Sustain Pedal Depth Estimation with Musically Informed Metrics
von: Zhang, Hanwen, et al.
Veröffentlicht: (2025)

Engraving Oriented Joint Estimation of Pitch Spelling and Local and Global Keys
von: Bouquillard, Augustin, et al.
Veröffentlicht: (2024)