视听联合生成

SonoWorld：从单张图像到三维视听场景

SonoWorld: From One Image to a 3D Audio-Visual Scene

把单图三维场景生成从纯视觉扩展到视听联合：先用外扩得到 360 度全景，再提升为可导航三维场景，并在场景几何上放置语言引导的声源锚点、渲染 ambisonics 空间音频，为做 3D 生成的人提供了一个可复用的『几何对齐空间音频』管线与评测设定。