音视频定位

SOUPLE：以可学习提示词上下文增强音视频定位与分割

SOUPLE: Enhancing Audio-Visual Localization and Segmentation with Learnable Prompt Contexts

用可学习的上下文词元替代 CLIP 中固定的文本提示词，并把视觉特征注入其中生成条件上下文，为视觉侧提供了一种可复用的提示词调优范式，可直接迁移到开放词表检测、指代分割等需要文本-视觉对齐的任务。