Buchumschlag

Multimodal Sentiment Analysis based on Video and Audio Inputs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fernandez, Antonio, Awinat, Suzan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Sound Artificial Intelligence Computer Vision and Pattern Recognition Multimedia Audio and Speech Processing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

MM-Sonate: Multimodal Controllable Audio-Video Generation with Zero-Shot Voice Cloning
von: Qiang, Chunyu, et al.
Veröffentlicht: (2026)

Sounding Highlights: Dual-Pathway Audio Encoders for Audio-Visual Video Highlight Detection
von: Joo, Seohyun, et al.
Veröffentlicht: (2026)

MAVERIX: Multimodal Audio-Visual Evaluation and Recognition IndeX
von: Xie, Liuyue, et al.
Veröffentlicht: (2025)

Hear-Your-Click: Interactive Object-Specific Video-to-Audio Generation
von: Liang, Yingshan, et al.
Veröffentlicht: (2025)

What's Making That Sound Right Now? Video-centric Audio-Visual Localization
von: Choi, Hahyeon, et al.
Veröffentlicht: (2025)

UniForm: A Unified Multi-Task Diffusion Transformer for Audio-Video Generation
von: Zhao, Lei, et al.
Veröffentlicht: (2025)

Efficient Selective Audio Masked Multimodal Bottleneck Transformer for Audio-Video Classification
von: Zhu, Wentao
Veröffentlicht: (2024)

Efficient Multiscale Multimodal Bottleneck Transformer for Audio-Video Classification
von: Zhu, Wentao
Veröffentlicht: (2024)

Seeing Soundscapes: Audio-Visual Generation and Separation from Soundscapes Using Audio-Visual Separator
von: Kang, Minjae, et al.
Veröffentlicht: (2025)

AudioGen-Omni: A Unified Multimodal Diffusion Transformer for Video-Synchronized Audio, Speech, and Song Generation
von: Wang, Le, et al.
Veröffentlicht: (2025)

VGGSounder: Audio-Visual Evaluations for Foundation Models
von: Zverev, Daniil, et al.
Veröffentlicht: (2025)

Audio-Visual Segmentation via Unlabeled Frame Exploitation
von: Liu, Jinxiang, et al.
Veröffentlicht: (2024)

Object-AVEdit: An Object-level Audio-Visual Editing Model
von: Fu, Youquan, et al.
Veröffentlicht: (2025)

Contextual Cross-Modal Attention for Audio-Visual Deepfake Detection and Localization
von: Katamneni, Vinaya Sree, et al.
Veröffentlicht: (2024)

Draw an Audio: Leveraging Multi-Instruction for Video-to-Audio Synthesis
von: Yang, Qi, et al.
Veröffentlicht: (2024)

Multilingual Audio-Visual Speech Recognition with Hybrid CTC/RNN-T Fast Conformer
von: Burchi, Maxime, et al.
Veröffentlicht: (2024)

A Survey of Recent Advances and Challenges in Deep Audio-Visual Correlation Learning
von: Vilaca, Luis, et al.
Veröffentlicht: (2024)

SAV-SE: Scene-aware Audio-Visual Speech Enhancement with Selective State Space Model
von: Qian, Xinyuan, et al.
Veröffentlicht: (2024)

Audio-Enhanced Vision-Language Modeling with Latent Space Broadening for High Quality Data Expansion
von: Sun, Yu, et al.
Veröffentlicht: (2025)

Video-to-Audio Generation with Hidden Alignment
von: Xu, Manjie, et al.
Veröffentlicht: (2024)

Temporally Aligned Audio for Video with Autoregression
von: Viertola, Ilpo, et al.
Veröffentlicht: (2024)

MINT: a Multi-modal Image and Narrative Text Dubbing Dataset for Foley Audio Content Planning and Generation
von: Fu, Ruibo, et al.
Veröffentlicht: (2024)

Text-to-Audio Generation Synchronized with Videos
von: Mo, Shentong, et al.
Veröffentlicht: (2024)

SpA2V: Harnessing Spatial Auditory Cues for Audio-driven Spatially-aware Video Generation
von: Pham, Kien T., et al.
Veröffentlicht: (2025)

Diffusion Models as Masked Audio-Video Learners
von: Nunez, Elvis, et al.
Veröffentlicht: (2023)

Enhancing Lie Detection Accuracy: A Comparative Study of Classic ML, CNN, and GCN Models using Audio-Visual Features
von: Abdelwahab, Abdelrahman, et al.
Veröffentlicht: (2024)

PianoVAM: A Multimodal Piano Performance Dataset
von: Kim, Yonghyun, et al.
Veröffentlicht: (2025)

DRKF: Decoupled Representations with Knowledge Fusion for Multimodal Emotion Recognition
von: Jiang, Peiyuan, et al.
Veröffentlicht: (2025)

EXPOTION: Facial Expression and Motion Control for Multimodal Music Generation
von: Izzati, Fathinah, et al.
Veröffentlicht: (2025)

MMS-LLaMA: Efficient LLM-based Audio-Visual Speech Recognition with Minimal Multimodal Speech Tokens
von: Yeo, Jeong Hun, et al.
Veröffentlicht: (2025)

Unified Video-Language Pre-training with Synchronized Audio
von: Mo, Shentong, et al.
Veröffentlicht: (2024)

Dance Any Beat: Blending Beats with Visuals in Dance Video Generation
von: Wang, Xuanchen, et al.
Veröffentlicht: (2024)

WavFusion: Towards wav2vec 2.0 Multimodal Speech Emotion Recognition
von: Li, Feng, et al.
Veröffentlicht: (2024)

EgoSonics: Generating Synchronized Audio for Silent Egocentric Videos
von: Rai, Aashish, et al.
Veröffentlicht: (2024)

AVFF: Audio-Visual Feature Fusion for Video Deepfake Detection
von: Oorloff, Trevine, et al.
Veröffentlicht: (2024)

AV-Odyssey Bench: Can Your Multimodal LLMs Really Understand Audio-Visual Information?
von: Gong, Kaixiong, et al.
Veröffentlicht: (2024)

Pilot-guided Multimodal Semantic Communication for Audio-Visual Event Localization
von: Yu, Fei, et al.
Veröffentlicht: (2024)

Music Audio-Visual Question Answering Requires Specialized Multimodal Designs
von: You, Wenhao, et al.
Veröffentlicht: (2025)

CounterFlow: A Two-Phase Inference-Time Sampling for Counterfactual Video Foley Generation
von: Lee, Gyubin, et al.
Veröffentlicht: (2026)

Frieren: Efficient Video-to-Audio Generation Network with Rectified Flow Matching
von: Wang, Yongqi, et al.
Veröffentlicht: (2024)