Spatial-Aware Conditioned Fusion for Audio-Visual Navigation
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Wu, Shaohang, Yu, Yinfeng |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Audio Spatially-Guided Fusion for Audio-Visual Navigation
par: Zhou, Xinyu, et autres
Publié: (2026)
par: Zhou, Xinyu, et autres
Publié: (2026)
Reliability-Aware Geometric Fusion for Robust Audio-Visual Navigation
par: Liu, Teng, et autres
Publié: (2026)
par: Liu, Teng, et autres
Publié: (2026)
Generalizable Audio-Visual Navigation via Binaural Difference Attention and Action Transition Prediction
par: Li, Jia, et autres
Publié: (2026)
par: Li, Jia, et autres
Publié: (2026)
MFHCA: Enhancing Speech Emotion Recognition Via Multi-Spatial Fusion and Hierarchical Cooperative Attention
par: Jiao, Xinxin, et autres
Publié: (2024)
par: Jiao, Xinxin, et autres
Publié: (2024)
EGSTalker: Real-Time Audio-Driven Talking Head Generation with Efficient Gaussian Deformation
par: Zhu, Tianheng, et autres
Publié: (2025)
par: Zhu, Tianheng, et autres
Publié: (2025)
TDFNet: An Efficient Audio-Visual Speech Separation Model with Top-down Fusion
par: Pegg, Samuel, et autres
Publié: (2024)
par: Pegg, Samuel, et autres
Publié: (2024)
ML-SAN: Multi-Level Speaker-Adaptive Network for Emotion Recognition in Conversations
par: Wang, Kexue, et autres
Publié: (2026)
par: Wang, Kexue, et autres
Publié: (2026)
Leveraging Label Potential for Enhanced Multimodal Emotion Recognition
par: Shao, Xuechun, et autres
Publié: (2025)
par: Shao, Xuechun, et autres
Publié: (2025)
HRTFformer: A Spatially-Aware Transformer for Individual HRTF Upsampling in Immersive Audio Rendering
par: Hu, Xuyi, et autres
Publié: (2025)
par: Hu, Xuyi, et autres
Publié: (2025)
FusionAudio-1.2M: Towards Fine-grained Audio Captioning with Multimodal Contextual Fusion
par: Chen, Shunian, et autres
Publié: (2025)
par: Chen, Shunian, et autres
Publié: (2025)
MLCA-AVSR: Multi-Layer Cross Attention Fusion based Audio-Visual Speech Recognition
par: Wang, He, et autres
Publié: (2024)
par: Wang, He, et autres
Publié: (2024)
In-the-wild Audio Spatialization with Flexible Text-guided Localization
par: Pan, Tianrui, et autres
Publié: (2025)
par: Pan, Tianrui, et autres
Publié: (2025)
Audio Atlas: Visualizing and Exploring Audio Datasets
par: Lanzendörfer, Luca A., et autres
Publié: (2024)
par: Lanzendörfer, Luca A., et autres
Publié: (2024)
Evaluating Hallucinations in Audio-Visual Multimodal LLMs with Spoken Queries under Diverse Acoustic Conditions
par: Park, Hansol, et autres
Publié: (2025)
par: Park, Hansol, et autres
Publié: (2025)
Magnitude-Phase Dual-Path Speech Enhancement Network based on Self-Supervised Embedding and Perceptual Contrast Stretch Boosting
par: Mattursun, Alimjan, et autres
Publié: (2025)
par: Mattursun, Alimjan, et autres
Publié: (2025)
AMNet: An Acoustic Model Network for Enhanced Mandarin Speech Synthesis
par: Cao, Yubing, et autres
Publié: (2025)
par: Cao, Yubing, et autres
Publié: (2025)
Audio-Guided Fusion Techniques for Multimodal Emotion Analysis
par: Shi, Pujin, et autres
Publié: (2024)
par: Shi, Pujin, et autres
Publié: (2024)
ViSAGe: Video-to-Spatial Audio Generation
par: Kim, Jaeyeon, et autres
Publié: (2025)
par: Kim, Jaeyeon, et autres
Publié: (2025)
LLM-Guided Reinforcement Learning for Audio-Visual Speech Enhancement
par: Chen, Chih-Ning, et autres
Publié: (2026)
par: Chen, Chih-Ning, et autres
Publié: (2026)
Audio-Conditioned Diffusion LLMs for ASR and Deliberation Processing
par: Wang, Mengqi, et autres
Publié: (2025)
par: Wang, Mengqi, et autres
Publié: (2025)
ECTSpeech: Enhancing Efficient Speech Synthesis via Easy Consistency Tuning
par: Zhu, Tao, et autres
Publié: (2025)
par: Zhu, Tao, et autres
Publié: (2025)
AND: Audio Network Dissection for Interpreting Deep Acoustic Models
par: Wu, Tung-Yu, et autres
Publié: (2024)
par: Wu, Tung-Yu, et autres
Publié: (2024)
A Multi-Stream Fusion Approach with One-Class Learning for Audio-Visual Deepfake Detection
par: Lee, Kyungbok, et autres
Publié: (2024)
par: Lee, Kyungbok, et autres
Publié: (2024)
PhaseCoder: Microphone Geometry-Agnostic Spatial Audio Understanding for Multimodal LLMs
par: Dementyev, Artem, et autres
Publié: (2026)
par: Dementyev, Artem, et autres
Publié: (2026)
DSpAST: Disentangled Representations for Spatial Audio Reasoning with Large Language Models
par: Wilkinghoff, Kevin, et autres
Publié: (2025)
par: Wilkinghoff, Kevin, et autres
Publié: (2025)
The Multimodal Information Based Speech Processing (MISP) 2025 Challenge: Audio-Visual Diarization and Recognition
par: Gao, Ming, et autres
Publié: (2025)
par: Gao, Ming, et autres
Publié: (2025)
BrewCLIP: A Bifurcated Representation Learning Framework for Audio-Visual Retrieval
par: Lu, Zhenyu, et autres
Publié: (2024)
par: Lu, Zhenyu, et autres
Publié: (2024)
Zero-Shot Voice Conversion via Content-Aware Timbre Ensemble and Conditional Flow Matching
par: Pan, Yu, et autres
Publié: (2024)
par: Pan, Yu, et autres
Publié: (2024)
Plug-and-Play Co-Occurring Face Attention for Robust Audio-Visual Speaker Extraction
par: Pan, Zexu, et autres
Publié: (2025)
par: Pan, Zexu, et autres
Publié: (2025)
Unveiling Visual Biases in Audio-Visual Localization Benchmarks
par: Chen, Liangyu, et autres
Publié: (2024)
par: Chen, Liangyu, et autres
Publié: (2024)
RBA-FE: A Robust Brain-Inspired Audio Feature Extractor for Depression Diagnosis
par: Wu, Yu-Xuan, et autres
Publié: (2025)
par: Wu, Yu-Xuan, et autres
Publié: (2025)
Audio Mamba: Pretrained Audio State Space Model For Audio Tagging
par: Lin, Jiaju, et autres
Publié: (2024)
par: Lin, Jiaju, et autres
Publié: (2024)
WavShape: Information-Theoretic Speech Representation Learning for Fair and Privacy-Aware Audio Processing
par: Baser, Oguzhan, et autres
Publié: (2025)
par: Baser, Oguzhan, et autres
Publié: (2025)
Do Models Hear Like Us? Probing the Representational Alignment of Audio LLMs and Naturalistic EEG
par: Yang, Haoyun, et autres
Publié: (2026)
par: Yang, Haoyun, et autres
Publié: (2026)
Multi-Source Spatial Knowledge Understanding for Immersive Visual Text-to-Speech
par: He, Shuwei, et autres
Publié: (2024)
par: He, Shuwei, et autres
Publié: (2024)
Decoding Ambiguous Emotions with Test-Time Scaling in Audio-Language Models
par: Jia, Hong, et autres
Publié: (2026)
par: Jia, Hong, et autres
Publié: (2026)
RFWave: Multi-band Rectified Flow for Audio Waveform Reconstruction
par: Liu, Peng, et autres
Publié: (2024)
par: Liu, Peng, et autres
Publié: (2024)
Representation-Regularized Convolutional Audio Transformer for Audio Understanding
par: Han, Bing, et autres
Publié: (2026)
par: Han, Bing, et autres
Publié: (2026)
When Scaling Fails: Mitigating Audio Perception Decay of LALMs via Multi-Step Perception-Aware Reasoning
par: Mao, Ruixiang, et autres
Publié: (2026)
par: Mao, Ruixiang, et autres
Publié: (2026)
EnCLAP: Combining Neural Audio Codec and Audio-Text Joint Embedding for Automated Audio Captioning
par: Kim, Jaeyeon, et autres
Publié: (2024)
par: Kim, Jaeyeon, et autres
Publié: (2024)
Documents similaires
-
Audio Spatially-Guided Fusion for Audio-Visual Navigation
par: Zhou, Xinyu, et autres
Publié: (2026) -
Reliability-Aware Geometric Fusion for Robust Audio-Visual Navigation
par: Liu, Teng, et autres
Publié: (2026) -
Generalizable Audio-Visual Navigation via Binaural Difference Attention and Action Transition Prediction
par: Li, Jia, et autres
Publié: (2026) -
MFHCA: Enhancing Speech Emotion Recognition Via Multi-Spatial Fusion and Hierarchical Cooperative Attention
par: Jiao, Xinxin, et autres
Publié: (2024) -
EGSTalker: Real-Time Audio-Driven Talking Head Generation with Efficient Gaussian Deformation
par: Zhu, Tianheng, et autres
Publié: (2025)