Buchumschlag

LINK: Adaptive Modality Interaction for Audio-Visual Video Parsing

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Langyu, Zhu, Bingke, Chen, Yingying, Wang, Jinqiao
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

MUG: Pseudo Labeling Augmented Audio-Visual Mamba Network for Audio-Visual Video Parsing
von: Wang, Langyu, et al.
Veröffentlicht: (2025)

Semantic Noise Reduction via Teacher-Guided Dual-Path Audio-Visual Representation Learning
von: Wang, Linge, et al.
Veröffentlicht: (2026)

UniVAD: A Training-free Unified Model for Few-shot Visual Anomaly Detection
von: Gu, Zhaopeng, et al.
Veröffentlicht: (2024)

Quality-Aware Language-Conditioned Local Auto-Regressive Anomaly Synthesis and Detection
von: Qian, Long, et al.
Veröffentlicht: (2025)

MathPhys-Guided Coarse-to-Fine Anomaly Synthesis with SQE-Driven Bi-Level Optimization for Anomaly Detection
von: Qian, Long, et al.
Veröffentlicht: (2025)

AnomalyMoE: Towards a Language-free Generalist Model for Unified Visual Anomaly Detection
von: Gu, Zhaopeng, et al.
Veröffentlicht: (2025)

FiLo++: Zero-/Few-Shot Anomaly Detection by Fused Fine-Grained Descriptions and Deformable Localization
von: Gu, Zhaopeng, et al.
Veröffentlicht: (2025)

Optimization of Prompt Learning via Multi-Knowledge Representation for Vision-Language Models
von: Zhang, Enming, et al.
Veröffentlicht: (2024)

Teacher-Guided Pseudo Supervision and Cross-Modal Alignment for Audio-Visual Video Parsing
von: Chen, Yaru, et al.
Veröffentlicht: (2025)

MROVSeg: Breaking the Resolution Curse of Vision-Language Models in Open-Vocabulary Image Segmentation
von: Zhu, Yuanbing, et al.
Veröffentlicht: (2024)

EAR: Enhancing Uni-Modal Representations for Weakly Supervised Audio-Visual Video Parsing
von: Li, Huilai, et al.
Veröffentlicht: (2026)

FiLo: Zero-Shot Anomaly Detection by Fine-Grained Description and High-Quality Localization
von: Gu, Zhaopeng, et al.
Veröffentlicht: (2024)

Reinforced Label Denoising for Weakly-Supervised Audio-Visual Video Parsing
von: Gao, Yongbiao, et al.
Veröffentlicht: (2024)

EchoingPixels: Cross-Modal Adaptive Token Reduction for Efficient Audio-Visual LLMs
von: Gong, Chao, et al.
Veröffentlicht: (2025)

Label-anticipated Event Disentanglement for Audio-Visual Video Parsing
von: Zhou, Jinxing, et al.
Veröffentlicht: (2024)

Multimodal Class-aware Semantic Enhancement Network for Audio-Visual Video Parsing
von: Zhao, Pengcheng, et al.
Veröffentlicht: (2024)

Monocular Lane Detection Based on Deep Learning: A Survey
von: He, Xin, et al.
Veröffentlicht: (2024)

Advancing Weakly-Supervised Audio-Visual Video Parsing via Segment-wise Pseudo Labeling
von: Zhou, Jinxing, et al.
Veröffentlicht: (2024)

TEn-CATG:Text-Enriched Audio-Visual Video Parsing with Multi-Scale Category-Aware Temporal Graph
von: Chen, Yaru, et al.
Veröffentlicht: (2025)

UniAVGen: Unified Audio and Video Generation with Asymmetric Cross-Modal Interactions
von: Zhang, Guozhen, et al.
Veröffentlicht: (2025)

UWAV: Uncertainty-weighted Weakly-supervised Audio-Visual Video Parsing
von: Lai, Yung-Hsuan, et al.
Veröffentlicht: (2025)

CoLeaF: A Contrastive-Collaborative Learning Framework for Weakly Supervised Audio-Visual Video Parsing
von: Sardari, Faegheh, et al.
Veröffentlicht: (2024)

From Seeing to Predicting: A Vision-Language Framework for Trajectory Forecasting and Controlled Video Generation
von: Yang, Fan, et al.
Veröffentlicht: (2025)

MMControl: Unified Multi-Modal Control for Joint Audio-Video Generation
von: Li, Liyang, et al.
Veröffentlicht: (2026)

PreFM: Online Audio-Visual Event Parsing via Predictive Future Modeling
von: Yu, Xiao, et al.
Veröffentlicht: (2025)

PRIMED: Adaptive Modality Suppression for Referring Audio-Visual Segmentation via Biased Competition
von: He, Yuchen, et al.
Veröffentlicht: (2026)

A Benchmark for Crime Surveillance Video Analysis with Large Models
von: Chen, Haoran, et al.
Veröffentlicht: (2025)

Cosh-DiT: Co-Speech Gesture Video Synthesis via Hybrid Audio-Visual Diffusion Transformers
von: Sun, Yasheng, et al.
Veröffentlicht: (2025)

Parse Graph-Based Visual-Language Interaction for Human Pose Estimation
von: Liu, Shibang, et al.
Veröffentlicht: (2025)

AMAVA: Adaptive Motion-Aware Video-to-Audio Framework for Visually-Impaired Assistance
von: Klein, Benjamin, et al.
Veröffentlicht: (2026)

Unsupervised Audio-Visual Segmentation with Modality Alignment
von: Bhosale, Swapnil, et al.
Veröffentlicht: (2024)

AV-DiT: Efficient Audio-Visual Diffusion Transformer for Joint Audio and Video Generation
von: Wang, Kai, et al.
Veröffentlicht: (2024)

Explore Human Parsing Modality for Action Recognition
von: Liu, Jinfu, et al.
Veröffentlicht: (2024)

R-AVST: Empowering Video-LLMs with Fine-Grained Spatio-Temporal Reasoning in Complex Audio-Visual Scenarios
von: Zhu, Lu, et al.
Veröffentlicht: (2025)

InteractAnything: Zero-shot Human Object Interaction Synthesis via LLM Feedback and Object Affordance Parsing
von: Zhang, Jinlu, et al.
Veröffentlicht: (2025)

How Does Audio Influence Visual Attention in Omnidirectional Videos? Database and Model
von: Zhu, Yuxin, et al.
Veröffentlicht: (2024)

TRACE: Task-Adaptive Reasoning and Representation Learning for Universal Multimodal Retrieval
von: Hao, Xiangzhao, et al.
Veröffentlicht: (2026)

KPM-Bench: A Kinematic Parsing Motion Benchmark for Fine-grained Motion-centric Video Understanding
von: Lin, Boda, et al.
Veröffentlicht: (2026)

Audio-Guided Visual Editing with Complex Multi-Modal Prompts
von: Kim, Hyeonyu, et al.
Veröffentlicht: (2025)

Omni-Customizer: End-to-End MultiModal Customization for Joint Audio-Video Generation
von: Chen, Yuheng, et al.
Veröffentlicht: (2026)