:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhu, Xiaoxu, Yu, Xiaojie, Yao, Guangchao, Ren, Yiming, Li, Baoxiang
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Image and Video Processing Computer Vision and Pattern Recognition Audio and Speech Processing
Online-Zugang:	https://arxiv.org/abs/2508.15860
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AKVSR: Audio Knowledge Empowered Visual Speech Recognition by Compressing Audio Knowledge of a Pretrained Model
von: Yeo, Jeong Hun, et al.
Veröffentlicht: (2023)

Adaptive Multimodal Person Recognition: A Robust Framework for Handling Missing Modalities
von: Farhadipour, Aref, et al.
Veröffentlicht: (2025)

Expression Prompt Collaboration Transformer for Universal Referring Video Object Segmentation
von: Chen, Jiajun, et al.
Veröffentlicht: (2023)

Learned Compression for Compressed Learning
von: Jacobellis, Dan, et al.
Veröffentlicht: (2024)

Language-Guided Contrastive Audio-Visual Masked Autoencoder with Automatically Generated Audio-Visual-Text Triplets from Videos
von: Ishikawa, Yuchi, et al.
Veröffentlicht: (2025)

Event2Audio: Event-Based Optical Vibration Sensing
von: Cai, Mingxuan, et al.
Veröffentlicht: (2025)

Listening without Looking: Modality Bias in Audio-Visual Captioning
von: Ishikawa, Yuchi, et al.
Veröffentlicht: (2025)

EchoTrack: Auditory Referring Multi-Object Tracking for Autonomous Driving
von: Lin, Jiacheng, et al.
Veröffentlicht: (2024)

PrismAudio: Decomposed Chain-of-Thoughts and Multi-dimensional Rewards for Video-to-Audio Generation
von: Liu, Huadai, et al.
Veröffentlicht: (2025)

Machine Perceptual Quality: Evaluating the Impact of Severe Lossy Compression on Audio and Image Models
von: Jacobellis, Dan, et al.
Veröffentlicht: (2024)

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

Towards Inclusive Communication: A Unified Framework for Generating Spoken Language from Sign, Lip, and Audio
von: Yeo, Jeong Hun, et al.
Veröffentlicht: (2025)

Cross Attentional Audio-Visual Fusion for Dimensional Emotion Recognition
von: Praveen, R. Gnana, et al.
Veröffentlicht: (2021)

Sound Source Localization for Spatial Mapping of Surgical Actions in Dynamic Scenes
von: Hein, Jonas, et al.
Veröffentlicht: (2025)

Speech2rtMRI: Speech-Guided Diffusion Model for Real-time MRI Video of the Vocal Tract during Speech
von: Nguyen, Hong, et al.
Veröffentlicht: (2024)

Speech motion anomaly detection via cross-modal translation of 4D motion fields from tagged MRI
von: Liu, Xiaofeng, et al.
Veröffentlicht: (2024)

Artificial Intelligence for Cochlear Implants: Review of Strategies, Challenges, and Perspectives
von: Essaid, Billel, et al.
Veröffentlicht: (2024)

Where Visual Speech Meets Language: VSP-LLM Framework for Efficient and Context-Aware Visual Speech Processing
von: Yeo, Jeong Hun, et al.
Veröffentlicht: (2024)

Personalized Lip Reading: Adapting to Your Unique Lip Movements with Vision and Language
von: Yeo, Jeong Hun, et al.
Veröffentlicht: (2024)

Stereo Sound Event Localization and Detection with Onscreen/offscreen Classification
von: Shimada, Kazuki, et al.
Veröffentlicht: (2025)

Two Web Toolkits for Multimodal Piano Performance Dataset Acquisition and Fingering Annotation
von: Park, Junhyung, et al.
Veröffentlicht: (2025)

TAVID: Text-Driven Audio-Visual Interactive Dialogue Generation
von: Kim, Ji-Hoon, et al.
Veröffentlicht: (2025)

Out-Of-Distribution Detection for Audio-visual Generalized Zero-Shot Learning: A General Framework
von: Wen, Liuyuan
Veröffentlicht: (2024)

StyleTalker: One-shot Style-based Audio-driven Talking Head Video Generation
von: Min, Dongchan, et al.
Veröffentlicht: (2022)

Circumventing shortcuts in audio-visual deepfake detection datasets with unsupervised learning
von: Smeu, Stefan, et al.
Veröffentlicht: (2024)

Spectral Bottleneck in Sinusoidal Representation Networks: Noise is All You Need
von: Chandravamsi, Hemanth, et al.
Veröffentlicht: (2025)

Faces that Speak: Jointly Synthesising Talking Face and Speech from Text
von: Jang, Youngjoon, et al.
Veröffentlicht: (2024)

Exploring Phonetic Context-Aware Lip-Sync For Talking Face Generation
von: Park, Se Jin, et al.
Veröffentlicht: (2023)

Detection of Auditory Brainstem Response Peaks Using Image Processing Techniques in Infants with Normal Hearing Sensitivity
von: Majidpour, Amir, et al.
Veröffentlicht: (2024)

Lip Reading for Low-resource Languages by Learning and Combining General Speech Knowledge and Language-specific Knowledge
von: Kim, Minsu, et al.
Veröffentlicht: (2023)

Prompt Tuning of Deep Neural Networks for Speaker-adaptive Visual Speech Recognition
von: Kim, Minsu, et al.
Veröffentlicht: (2023)

Ola: Pushing the Frontiers of Omni-Modal Language Model
von: Liu, Zuyan, et al.
Veröffentlicht: (2025)

PTSD-MDNN : Fusion tardive de réseaux de neurones profonds multimodaux pour la détection du trouble de stress post-traumatique
von: Nguyen-Phuoc, Long, et al.
Veröffentlicht: (2024)

Enhancing Real-World Active Speaker Detection with Multi-Modal Extraction Pre-Training
von: Tao, Ruijie, et al.
Veröffentlicht: (2024)

DLIOS: An LLM-Augmented Real-Time Multi-Modal Interactive Enhancement Overlay System for Douyin Live Streaming
von: Wen, Shuide, et al.
Veröffentlicht: (2026)

Improvement Of Audiovisual Quality Estimation Using A Nonlinear Autoregressive Exogenous Neural Network And Bitstream Parameters
von: Kossi, Koffi, et al.
Veröffentlicht: (2024)

Multimodal sensor fusion for real-time location-dependent defect detection in laser-directed energy deposition
von: Chen, Lequn, et al.
Veröffentlicht: (2023)

Audio-Visual Approach For Multimodal Concurrent Speaker Detection
von: Eliav, Amit, et al.
Veröffentlicht: (2024)

BUT System Description for CHiME-9 MCoRec Challenge
von: Klement, Dominik, et al.
Veröffentlicht: (2026)

Listening for "You": Enhancing Speech Image Retrieval via Target Speaker Extraction
von: Yang, Wenhao, et al.
Veröffentlicht: (2025)