音视频学习

合成数据用于音视频声源定位究竟能走多远？

How Far Can We Go With Synthetic Data for Audio-Visual Sound Source Localization?

对做音视频多模态定位的研究者，这篇给出了用 text-to-X 生成模型批量合成 VGGSound 克隆数据、并与真实数据混合训练的完整配方，可直接复用于缓解视觉-音频配对数据规模小、语义错位的问题。