:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yu, Jiashuo, Yao, Yao, Chen, Boyu, Wang, Alex
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Sound Artificial Intelligence Computer Vision and Pattern Recognition
Online-Zugang:	https://arxiv.org/abs/2606.01703
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

JEN-1 Composer: A Unified Framework for High-Fidelity Multi-Track Music Generation
von: Yao, Yao, et al.
Veröffentlicht: (2023)

LD-LAudio-V1: Video-to-Long-Form-Audio Generation Extension with Dual Lightweight Adapters
von: Zhang, Haomin, et al.
Veröffentlicht: (2025)

TalkVerse: Democratizing Minute-Long Audio-Driven Video Generation
von: Wang, Zhenzhi, et al.
Veröffentlicht: (2025)

TARO: Timestep-Adaptive Representation Alignment with Onset-Aware Conditioning for Synchronized Video-to-Audio Synthesis
von: Ton, Tri, et al.
Veröffentlicht: (2025)

Latent Swap Joint Diffusion for 2D Long-Form Latent Generation
von: Dai, Yusheng, et al.
Veröffentlicht: (2025)

Apollo: Unified Multi-Task Audio-Video Joint Generation
von: Wang, Jun, et al.
Veröffentlicht: (2026)

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

Real-Time Object Tracking with On-Device Deep Learning for Adaptive Beamforming in Dynamic Acoustic Environments
von: Ortigoso-Narro, Jorge, et al.
Veröffentlicht: (2025)

ST-GDance++: A Scalable Spatial-Temporal Diffusion for Long-Duration Group Choreography
von: Xu, Jing, et al.
Veröffentlicht: (2026)

AVBench: Human-Aligned and Automated Evaluation Benchmark for Audio-Video Generative Models
von: Yang, Jialiang, et al.
Veröffentlicht: (2026)

Diffusion Models for Joint Audio-Video Generation
von: La Torre, Alejandro Paredes
Veröffentlicht: (2026)

MGM-Omni: Scaling Omni LLMs to Personalized Long-Horizon Speech
von: Wang, Chengyao, et al.
Veröffentlicht: (2025)

Do Joint Audio-Video Generation Models Understand Physics?
von: Cui, Zijun, et al.
Veröffentlicht: (2026)

FlowPortrait: Reinforcement Learning for Audio-Driven Portrait Video Generation
von: Tan, Weiting, et al.
Veröffentlicht: (2026)

JAEGER: Joint 3D Audio-Visual Grounding and Reasoning in Simulated Physical Environments
von: Liu, Zhan, et al.
Veröffentlicht: (2026)

DiffusionTalker: Efficient and Compact Speech-Driven 3D Talking Head via Personalizer-Guided Distillation
von: Chen, Peng, et al.
Veröffentlicht: (2025)

Mutual Learning for Acoustic Matching and Dereverberation via Visual Scene-driven Diffusion
von: Ma, Jian, et al.
Veröffentlicht: (2024)

ChoreoMuse: Robust Music-to-Dance Video Generation with Style Transfer and Beat-Adherent Motion
von: Wang, Xuanchen, et al.
Veröffentlicht: (2025)

Audio-Guided Visual Perception for Audio-Visual Navigation
von: Wang, Yi, et al.
Veröffentlicht: (2025)

DiFlowDubber: Discrete Flow Matching for Automated Video Dubbing via Cross-Modal Alignment and Synchronization
von: Nguyen, Ngoc-Son, et al.
Veröffentlicht: (2026)

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

InterActHuman: Multi-Concept Human Animation with Layout-Aligned Audio Conditions
von: Wang, Zhenzhi, et al.
Veröffentlicht: (2025)

EARTalking: End-to-end GPT-style Autoregressive Talking Head Synthesis with Frame-wise Control
von: Weng, Yuzhe, et al.
Veröffentlicht: (2026)

360+x: A Panoptic Multi-modal Scene Understanding Dataset
von: Chen, Hao, et al.
Veröffentlicht: (2024)

Learning Separable Hidden Unit Contributions for Speaker-Adaptive Lip-Reading
von: Luo, Songtao, et al.
Veröffentlicht: (2023)

VoiceAssistant-Eval: Benchmarking AI Assistants across Listening, Speaking, and Viewing
von: Wang, Ke, et al.
Veröffentlicht: (2025)

Graph Propagated Projection Unlearning: A Unified Framework for Vision and Audio Discriminative Models
von: Pathak, Shreyansh, et al.
Veröffentlicht: (2026)

TRACE: Training-Free Partial Audio Deepfake Detection via Embedding Trajectory Analysis of Speech Foundation Models
von: Khan, Awais, et al.
Veröffentlicht: (2026)

Materialistic RIR: Material Conditioned Realistic RIR Generation
von: Saad, Mahnoor Fatima, et al.
Veröffentlicht: (2026)

Sat2Sound: A Unified Framework for Zero-Shot Soundscape Mapping
von: Khanal, Subash, et al.
Veröffentlicht: (2025)

DeepAgent: A Dual Stream Multi Agent Fusion for Robust Multimodal Deepfake Detection
von: Zaman, Sayeem Been, et al.
Veröffentlicht: (2025)

TokenDance: Token-to-Token Music-to-Dance Generation with Bidirectional Mamba
von: Yang, Ziyue, et al.
Veröffentlicht: (2026)

IMSE: Efficient U-Net-based Speech Enhancement using Inception Depthwise Convolution and Amplitude-Aware Linear Attention
von: Tang, Xinxin, et al.
Veröffentlicht: (2025)

Video-Robin: Autoregressive Diffusion Planning for Intent-Grounded Video-to-Music Generation
von: Lokegaonkar, Vaibhavi, et al.
Veröffentlicht: (2026)

Video-based Music Generation
von: Sulun, Serkan
Veröffentlicht: (2026)

Towards the Vision-Sound-Language-Action Paradigm: The HEAR Framework for Sound-Centric Manipulation
von: Nie, Chang, et al.
Veröffentlicht: (2026)

Action2Sound: Ambient-Aware Generation of Action Sounds from Egocentric Videos
von: Chen, Changan, et al.
Veröffentlicht: (2024)

Audio-Omni: Extending Multi-modal Understanding to Versatile Audio Generation and Editing
von: Tian, Zeyue, et al.
Veröffentlicht: (2026)

VoxAging: Continuously Tracking Speaker Aging with a Large-Scale Longitudinal Dataset in English and Mandarin
von: Ai, Zhiqi, et al.
Veröffentlicht: (2025)

Enhancing Modal Fusion by Alignment and Label Matching for Multimodal Emotion Recognition
von: Li, Qifei, et al.
Veröffentlicht: (2024)