Tag · 2 篇
音视频融合
01 02
SAVE：面向视频-文本检索的语音感知视频表征学习
SAVE: Speech-Aware Video Representation Learning for Video-Text Retrieval
为视频-文本检索引入语音分支和软对齐策略，视觉研究者可借鉴其音视频早期对齐与融合机制，提升多模态检索性能。
EmoThinker：通过结构化词元选择与思维链推理推进视觉-声学情感分析
EmoThinker: Advancing Visual-Acoustic Emotion Analysis via Structural Token Selection and Chain-of-Thought Reasoning
其结构化词元选择机制可迁移到任意视觉-语言任务中做显著区域筛选与背景上下文精炼，而构建的思维链标注范式为多模态推理数据构造提供了可复用模板。