Seeing Sound: Assembling Sounds from Visuals for Audio-to-Image Generation
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Petermann, Darius, Kalayeh, Mahdi M. |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Seeing Speech and Sound: Distinguishing and Locating Audios in Visual Scenes
par: Ryu, Hyeonggon, et autres
Publié: (2025)
par: Ryu, Hyeonggon, et autres
Publié: (2025)
MACS: Multi-source Audio-to-image Generation with Contextual Significance and Semantic Alignment
par: Zhou, Hao, et autres
Publié: (2025)
par: Zhou, Hao, et autres
Publié: (2025)
READ: Real-time and Efficient Asynchronous Diffusion for Audio-driven Talking Head Generation
par: Wang, Haotian, et autres
Publié: (2025)
par: Wang, Haotian, et autres
Publié: (2025)
Audio-Plane: Audio Factorization Plane Gaussian Splatting for Real-Time Talking Head Synthesis
par: Shen, Shuai, et autres
Publié: (2025)
par: Shen, Shuai, et autres
Publié: (2025)
Text-driven Talking Face Synthesis by Reprogramming Audio-driven Models
par: Choi, Jeongsoo, et autres
Publié: (2023)
par: Choi, Jeongsoo, et autres
Publié: (2023)
RAP: Real-time Audio-driven Portrait Animation with Video Diffusion Transformer
par: Du, Fangyu, et autres
Publié: (2025)
par: Du, Fangyu, et autres
Publié: (2025)
Looking Similar, Sounding Different: Leveraging Counterfactual Cross-Modal Pairs for Audiovisual Representation Learning
par: Singh, Nikhil, et autres
Publié: (2023)
par: Singh, Nikhil, et autres
Publié: (2023)
DIDiffGes: Decoupled Semi-Implicit Diffusion Models for Real-time Gesture Generation from Speech
par: Cheng, Yongkang, et autres
Publié: (2025)
par: Cheng, Yongkang, et autres
Publié: (2025)
Audio-Visual Talker Localization in Video for Spatial Sound Reproduction
par: Berghi, Davide, et autres
Publié: (2024)
par: Berghi, Davide, et autres
Publié: (2024)
Sonic: Shifting Focus to Global Audio Perception in Portrait Animation
par: Ji, Xiaozhong, et autres
Publié: (2024)
par: Ji, Xiaozhong, et autres
Publié: (2024)
MIDGET: Music Conditioned 3D Dance Generation
par: Wang, Jinwu, et autres
Publié: (2024)
par: Wang, Jinwu, et autres
Publié: (2024)
Inter-Diffusion Generation Model of Speakers and Listeners for Effective Communication
par: Huang, Jinhe, et autres
Publié: (2025)
par: Huang, Jinhe, et autres
Publié: (2025)
GCDance: Genre-Controlled Music-Driven 3D Full Body Dance Generation
par: Liu, Xinran, et autres
Publié: (2025)
par: Liu, Xinran, et autres
Publié: (2025)
DuetGen: Music Driven Two-Person Dance Generation via Hierarchical Masked Modeling
par: Ghosh, Anindita, et autres
Publié: (2025)
par: Ghosh, Anindita, et autres
Publié: (2025)
MotionRAG-Diff: A Retrieval-Augmented Diffusion Framework for Long-Term Music-to-Dance Generation
par: Huang, Mingyang, et autres
Publié: (2025)
par: Huang, Mingyang, et autres
Publié: (2025)
Lodge: A Coarse to Fine Diffusion Network for Long Dance Generation Guided by the Characteristic Dance Primitives
par: Li, Ronghui, et autres
Publié: (2024)
par: Li, Ronghui, et autres
Publié: (2024)
Conditional GAN for Enhancing Diffusion Models in Efficient and Authentic Global Gesture Generation from Audios
par: Cheng, Yongkang, et autres
Publié: (2024)
par: Cheng, Yongkang, et autres
Publié: (2024)
Aligning Sight and Sound: Advanced Sound Source Localization Through Audio-Visual Alignment
par: Senocak, Arda, et autres
Publié: (2024)
par: Senocak, Arda, et autres
Publié: (2024)
NeRF-3DTalker: Neural Radiance Field with 3D Prior Aided Audio Disentanglement for Talking Head Synthesis
par: Liu, Xiaoxing, et autres
Publié: (2025)
par: Liu, Xiaoxing, et autres
Publié: (2025)
Silence is Golden: Leveraging Adversarial Examples to Nullify Audio Control in LDM-based Talking-Head Generation
par: Gan, Yuan, et autres
Publié: (2025)
par: Gan, Yuan, et autres
Publié: (2025)
A Critical Assessment of Visual Sound Source Localization Models Including Negative Audio
par: Juanola, Xavier, et autres
Publié: (2024)
par: Juanola, Xavier, et autres
Publié: (2024)
TCDiff++: An End-to-end Trajectory-Controllable Diffusion Model for Harmonious Music-Driven Group Choreography
par: Dai, Yuqin, et autres
Publié: (2025)
par: Dai, Yuqin, et autres
Publié: (2025)
Semantic Gesticulator: Semantics-Aware Co-Speech Gesture Synthesis
par: Zhang, Zeyi, et autres
Publié: (2024)
par: Zhang, Zeyi, et autres
Publié: (2024)
Duolando: Follower GPT with Off-Policy Reinforcement Learning for Dance Accompaniment
par: Siyao, Li, et autres
Publié: (2024)
par: Siyao, Li, et autres
Publié: (2024)
GaussianSpeech: Audio-Driven Gaussian Avatars
par: Aneja, Shivangi, et autres
Publié: (2024)
par: Aneja, Shivangi, et autres
Publié: (2024)
Learning Self-Supervised Audio-Visual Representations for Sound Recommendations
par: Krishnamurthy, Sudha
Publié: (2024)
par: Krishnamurthy, Sudha
Publié: (2024)
DeepSound-V1: Start to Think Step-by-Step in the Audio Generation from Videos
par: Liang, Yunming, et autres
Publié: (2025)
par: Liang, Yunming, et autres
Publié: (2025)
FaceTalk: Audio-Driven Motion Diffusion for Neural Parametric Head Models
par: Aneja, Shivangi, et autres
Publié: (2023)
par: Aneja, Shivangi, et autres
Publié: (2023)
Sound2Vision: Generating Diverse Visuals from Audio through Cross-Modal Latent Alignment
par: Sung-Bin, Kim, et autres
Publié: (2024)
par: Sung-Bin, Kim, et autres
Publié: (2024)
InterDance:Reactive 3D Dance Generation with Realistic Duet Interactions
par: Li, Ronghui, et autres
Publié: (2024)
par: Li, Ronghui, et autres
Publié: (2024)
It Takes Two: Real-time Co-Speech Two-person's Interaction Generation via Reactive Auto-regressive Diffusion Model
par: Shi, Mingyi, et autres
Publié: (2024)
par: Shi, Mingyi, et autres
Publié: (2024)
ThinkSound: Chain-of-Thought Reasoning in Multimodal Large Language Models for Audio Generation and Editing
par: Liu, Huadai, et autres
Publié: (2025)
par: Liu, Huadai, et autres
Publié: (2025)
Hearing and Seeing Through CLIP: A Framework for Self-Supervised Sound Source Localization
par: Park, Sooyoung, et autres
Publié: (2025)
par: Park, Sooyoung, et autres
Publié: (2025)
SoundWeaver: Semantic Warm-Starting for Text-to-Audio Diffusion Serving
par: Barik, Ayush, et autres
Publié: (2026)
par: Barik, Ayush, et autres
Publié: (2026)
Listen and Move: Improving GANs Coherency in Agnostic Sound-to-Video Generation
par: Redondo, Rafael
Publié: (2024)
par: Redondo, Rafael
Publié: (2024)
Continual Audio-Visual Sound Separation
par: Pian, Weiguo, et autres
Publié: (2024)
par: Pian, Weiguo, et autres
Publié: (2024)
SpA2V: Harnessing Spatial Auditory Cues for Audio-driven Spatially-aware Video Generation
par: Pham, Kien T., et autres
Publié: (2025)
par: Pham, Kien T., et autres
Publié: (2025)
High-Quality Visually-Guided Sound Separation from Diverse Categories
par: Huang, Chao, et autres
Publié: (2023)
par: Huang, Chao, et autres
Publié: (2023)
Gotta Hear Them All: Towards Sound Source Aware Audio Generation
par: Guo, Wei, et autres
Publié: (2024)
par: Guo, Wei, et autres
Publié: (2024)
QEAN: Quaternion-Enhanced Attention Network for Visual Dance Generation
par: Zhou, Zhizhen, et autres
Publié: (2024)
par: Zhou, Zhizhen, et autres
Publié: (2024)
Documents similaires
-
Seeing Speech and Sound: Distinguishing and Locating Audios in Visual Scenes
par: Ryu, Hyeonggon, et autres
Publié: (2025) -
MACS: Multi-source Audio-to-image Generation with Contextual Significance and Semantic Alignment
par: Zhou, Hao, et autres
Publié: (2025) -
READ: Real-time and Efficient Asynchronous Diffusion for Audio-driven Talking Head Generation
par: Wang, Haotian, et autres
Publié: (2025) -
Audio-Plane: Audio Factorization Plane Gaussian Splatting for Real-Time Talking Head Synthesis
par: Shen, Shuai, et autres
Publié: (2025) -
Text-driven Talking Face Synthesis by Reprogramming Audio-driven Models
par: Choi, Jeongsoo, et autres
Publié: (2023)