TACO: Training-free Sound Prompted Segmentation via Semantically Constrained Audio-visual CO-factorization
Fuente:
arXiv
Salvato in:
| Autori principali: | Malard, Hugo, Olvera, Michel, Lathuiliere, Stephane, Essid, Slim |
|---|---|
| Natura: | Preprint |
| Pubblicazione: |
2024
|
| Soggetti: | |
| Accesso online: | |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
Documenti analoghi
An Eye for an Ear: Zero-shot Audio Description Leveraging an Image Captioner using Audiovisual Distribution Alignment
di: Malard, Hugo, et al.
Pubblicazione: (2024)
di: Malard, Hugo, et al.
Pubblicazione: (2024)
SALT: Standardized Audio event Label Taxonomy
di: Stamatiadis, Paraskevas, et al.
Pubblicazione: (2024)
di: Stamatiadis, Paraskevas, et al.
Pubblicazione: (2024)
Audio-Visual Approach For Multimodal Concurrent Speaker Detection
di: Eliav, Amit, et al.
Pubblicazione: (2024)
di: Eliav, Amit, et al.
Pubblicazione: (2024)
Enhancing Real-World Active Speaker Detection with Multi-Modal Extraction Pre-Training
di: Tao, Ruijie, et al.
Pubblicazione: (2024)
di: Tao, Ruijie, et al.
Pubblicazione: (2024)
SoundSil-DS: Deep Denoising and Segmentation of Sound-field Images with Silhouettes
di: Tanigawa, Risako, et al.
Pubblicazione: (2024)
di: Tanigawa, Risako, et al.
Pubblicazione: (2024)
Attentive AV-FusionNet: Audio-Visual Quality Prediction with Hybrid Attention
di: Salaj, Ina, et al.
Pubblicazione: (2025)
di: Salaj, Ina, et al.
Pubblicazione: (2025)
Efficient Face Detection with Audio-Based Region Proposals for Human-Robot Interactions
di: Aris, William, et al.
Pubblicazione: (2023)
di: Aris, William, et al.
Pubblicazione: (2023)
CoAVT: A Cognition-Inspired Unified Audio-Visual-Text Pre-Training Model for Multimodal Processing
di: Yue, Xianghu, et al.
Pubblicazione: (2024)
di: Yue, Xianghu, et al.
Pubblicazione: (2024)
Improvement Of Audiovisual Quality Estimation Using A Nonlinear Autoregressive Exogenous Neural Network And Bitstream Parameters
di: Kossi, Koffi, et al.
Pubblicazione: (2024)
di: Kossi, Koffi, et al.
Pubblicazione: (2024)
The role of audio-visual integration in the time course of phonetic encoding in self-supervised speech models
di: Wang, Yi, et al.
Pubblicazione: (2025)
di: Wang, Yi, et al.
Pubblicazione: (2025)
UNQA: Unified No-Reference Quality Assessment for Audio, Image, Video, and Audio-Visual Content
di: Cao, Yuqin, et al.
Pubblicazione: (2024)
di: Cao, Yuqin, et al.
Pubblicazione: (2024)
Spatial and Semantic Embedding Integration for Stereo Sound Event Localization and Detection in Regular Videos
di: Berghi, Davide, et al.
Pubblicazione: (2025)
di: Berghi, Davide, et al.
Pubblicazione: (2025)
Spoken question answering for visual queries
di: Shabtay, Nimrod, et al.
Pubblicazione: (2025)
di: Shabtay, Nimrod, et al.
Pubblicazione: (2025)
Audio-Visual Speaker Diarization: Current Databases, Approaches and Challenges
di: Mingote, Victoria, et al.
Pubblicazione: (2024)
di: Mingote, Victoria, et al.
Pubblicazione: (2024)
DLIOS: An LLM-Augmented Real-Time Multi-Modal Interactive Enhancement Overlay System for Douyin Live Streaming
di: Wen, Shuide, et al.
Pubblicazione: (2026)
di: Wen, Shuide, et al.
Pubblicazione: (2026)
BUT System Description for CHiME-9 MCoRec Challenge
di: Klement, Dominik, et al.
Pubblicazione: (2026)
di: Klement, Dominik, et al.
Pubblicazione: (2026)
Listening for "You": Enhancing Speech Image Retrieval via Target Speaker Extraction
di: Yang, Wenhao, et al.
Pubblicazione: (2025)
di: Yang, Wenhao, et al.
Pubblicazione: (2025)
Bounds on Agreement between Subjective and Objective Measurements
di: Pieper, Jaden, et al.
Pubblicazione: (2026)
di: Pieper, Jaden, et al.
Pubblicazione: (2026)
Beyond Correlation: Evaluating Multimedia Quality Models with the Constrained Concordance Index
di: Ragano, Alessandro, et al.
Pubblicazione: (2024)
di: Ragano, Alessandro, et al.
Pubblicazione: (2024)
A sound description: Exploring prompt templates and class descriptions to enhance zero-shot audio classification
di: Olvera, Michel, et al.
Pubblicazione: (2024)
di: Olvera, Michel, et al.
Pubblicazione: (2024)
Expression Prompt Collaboration Transformer for Universal Referring Video Object Segmentation
di: Chen, Jiajun, et al.
Pubblicazione: (2023)
di: Chen, Jiajun, et al.
Pubblicazione: (2023)
Integrating Spatial and Semantic Embeddings for Stereo Sound Event Localization in Videos
di: Berghi, Davide, et al.
Pubblicazione: (2025)
di: Berghi, Davide, et al.
Pubblicazione: (2025)
Leveraging Reverberation and Visual Depth Cues for Sound Event Localization and Detection with Distance Estimation
di: Berghi, Davide, et al.
Pubblicazione: (2024)
di: Berghi, Davide, et al.
Pubblicazione: (2024)
Towards Language-Independent Face-Voice Association with Multimodal Foundation Models
di: Farhadipour, Aref, et al.
Pubblicazione: (2025)
di: Farhadipour, Aref, et al.
Pubblicazione: (2025)
KunquDB: An Attempt for Speaker Verification in the Chinese Opera Scenario
di: Zhou, Huali, et al.
Pubblicazione: (2024)
di: Zhou, Huali, et al.
Pubblicazione: (2024)
Interpretable Modeling of Articulatory Temporal Dynamics from real-time MRI for Phoneme Recognition
di: Park, Jay, et al.
Pubblicazione: (2025)
di: Park, Jay, et al.
Pubblicazione: (2025)
Multimodal sensor fusion for real-time location-dependent defect detection in laser-directed energy deposition
di: Chen, Lequn, et al.
Pubblicazione: (2023)
di: Chen, Lequn, et al.
Pubblicazione: (2023)
End-to-end audio-visual learning for cochlear implant sound coding simulations in noisy environments
di: Lin, Meng-Ping, et al.
Pubblicazione: (2025)
di: Lin, Meng-Ping, et al.
Pubblicazione: (2025)
Language-Guided Contrastive Audio-Visual Masked Autoencoder with Automatically Generated Audio-Visual-Text Triplets from Videos
di: Ishikawa, Yuchi, et al.
Pubblicazione: (2025)
di: Ishikawa, Yuchi, et al.
Pubblicazione: (2025)
Event2Audio: Event-Based Optical Vibration Sensing
di: Cai, Mingxuan, et al.
Pubblicazione: (2025)
di: Cai, Mingxuan, et al.
Pubblicazione: (2025)
Listening without Looking: Modality Bias in Audio-Visual Captioning
di: Ishikawa, Yuchi, et al.
Pubblicazione: (2025)
di: Ishikawa, Yuchi, et al.
Pubblicazione: (2025)
Out-Of-Distribution Detection for Audio-visual Generalized Zero-Shot Learning: A General Framework
di: Wen, Liuyuan
Pubblicazione: (2024)
di: Wen, Liuyuan
Pubblicazione: (2024)
Learning Video Temporal Dynamics with Cross-Modal Attention for Robust Audio-Visual Speech Recognition
di: Kim, Sungnyun, et al.
Pubblicazione: (2024)
di: Kim, Sungnyun, et al.
Pubblicazione: (2024)
ToS: A Team of Specialists ensemble framework for Stereo Sound Event Localization and Detection with distance estimation in Video
di: Berghi, Davide, et al.
Pubblicazione: (2026)
di: Berghi, Davide, et al.
Pubblicazione: (2026)
RestoreGrad: Signal Restoration Using Conditional Denoising Diffusion Models with Jointly Learned Prior
di: Lee, Ching-Hua, et al.
Pubblicazione: (2025)
di: Lee, Ching-Hua, et al.
Pubblicazione: (2025)
Efficient Test-Time Adaptation through Latent Subspace Coefficients Search
di: Luo, Xinyu, et al.
Pubblicazione: (2025)
di: Luo, Xinyu, et al.
Pubblicazione: (2025)
Bootstrapping Audiovisual Speech Recognition in Zero-AV-Resource Scenarios with Synthetic Visual Data
di: Buitrago, Pol, et al.
Pubblicazione: (2026)
di: Buitrago, Pol, et al.
Pubblicazione: (2026)
A Smart-Glasses for Emergency Medical Services via Multimodal Multitask Learning
di: Jin, Liuyi, et al.
Pubblicazione: (2025)
di: Jin, Liuyi, et al.
Pubblicazione: (2025)
PrismAudio: Decomposed Chain-of-Thoughts and Multi-dimensional Rewards for Video-to-Audio Generation
di: Liu, Huadai, et al.
Pubblicazione: (2025)
di: Liu, Huadai, et al.
Pubblicazione: (2025)
AKVSR: Audio Knowledge Empowered Visual Speech Recognition by Compressing Audio Knowledge of a Pretrained Model
di: Yeo, Jeong Hun, et al.
Pubblicazione: (2023)
di: Yeo, Jeong Hun, et al.
Pubblicazione: (2023)
Documenti analoghi
-
An Eye for an Ear: Zero-shot Audio Description Leveraging an Image Captioner using Audiovisual Distribution Alignment
di: Malard, Hugo, et al.
Pubblicazione: (2024) -
SALT: Standardized Audio event Label Taxonomy
di: Stamatiadis, Paraskevas, et al.
Pubblicazione: (2024) -
Audio-Visual Approach For Multimodal Concurrent Speaker Detection
di: Eliav, Amit, et al.
Pubblicazione: (2024) -
Enhancing Real-World Active Speaker Detection with Multi-Modal Extraction Pre-Training
di: Tao, Ruijie, et al.
Pubblicazione: (2024) -
SoundSil-DS: Deep Denoising and Segmentation of Sound-field Images with Silhouettes
di: Tanigawa, Risako, et al.
Pubblicazione: (2024)