视觉锚框聚类

CineSRD：利用视觉、声学与语言线索的开放世界视觉媒体说话人日志

CineSRD: Leveraging Visual, Acoustic, and Linguistic Cues for Open-World Visual Media Speaker Diarization

将说话人日志任务扩展到影视剧等开放世界视觉媒体场景，提出视觉锚框聚类注册说话人、结合音频语言模型检测说话人轮次的统一多模态框架，为长视频中跨模态异步条件下的说话人标注提供了可复用的技术路线。