多模态模型

📄 CaMoD: Causal-Aware Modality Denoising for Multimodal Dialogue Intent Recognition #多模态对话意图识别 #因果推理 #多模态模型 #音频事件检测 #鲁棒性 ✅ 7.5/10 | 前25% | #多模态对话意图识别 | #因果推理 | #多模态模型 #音频事件检测 学术质量 7.0/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 中 👥 作者与机构 第一作者：Jinlong Zhang（北京航空航天大学计算机科学与工程学院） 通讯作者：Bo Li（北京航空航天大学计算机科学与工程学院），Xudong Liu（北京航空航天大学计算机科学与工程学院） 作者列表：Jinlong Zhang（北京航空航天大学计算机科学与工程学院），Bo Li（北京航空航天大学计算机科学与工程学院），Xudong Liu（北京航空航天大学计算机科学与工程学院） 💡 毒舌点评 亮点：将“不是所有模态都可信”这一朴素认知，包装成了一套严谨的因果路由与反事实学习框架，解决了多模态融合中“盲目融合”的真实痛点，逻辑自洽且实验完整。 短板：创新本质是现有技术（MoE门控、反事实增强）在特定任务上的精巧组合，缺乏底层理论或架构上的突破；且实验仅限于一个数据集，对极端噪声或模态缺失的鲁棒性验证不足。 📌 核心摘要 要解决的问题：现有方法在多模态对话意图识别中，盲目融合所有模态（文本、视频、音频）信息，忽略了模态本身可能存在的噪声或与意图无关的情况，导致模型对噪声敏感且泛化能力差。 方法核心：提出CaMoD框架，其核心是一个动态因果路由机制。该机制通过两个门控函数评估视频和音频模态对意图的“因果影响”，将所有可能的模态组合（如纯文本、文本+视频等）视为专家路径，并动态选择最相关的路径进行融合，从而抑制噪声模态。 与已有方法相比新在哪里：a) 引入因果评估：不再平等对待所有模态，而是显式建模每个模态的因果贡献。b) 动态路径选择：借鉴MoE思想，实现细粒度、可解释的模态级去噪。c) 配套的训练框架：设计了包括因果一致性损失、多样性正则化器和反事实样本生成策略的多目标训练方法，在没有真实因果标签的情况下有效训练路由模块。 主要实验结果：在MIntRec基准数据集上，CaMoD在所有指标上超越现有最强基线。例如，准确率（ACC）达到74.83%，比最强基线SDIF-DA（73.90%）高出0.93%；加权F1值（WF1）为74.91%，提升0.98%。消融实验证明，移除因果路由（CRM）、一致性损失（CCL）、多样性正则化（CDR）或反事实生成策略（CSGS）均会导致性能显著下降（ACC下降1.27%至2.36%不等），验证了各组件的必要性。 实际意义：提升了多模态对话系统在真实噪声环境（如嘈杂语音、无关背景画面）下的鲁棒性和可靠性，同时其路由决策提供了一定的可解释性，有助于理解模型融合决策的依据。 主要局限性：a) 实验仅在单一数据集MIntRec上进行，缺乏在更多样、更具挑战性场景（如模态严重缺失、噪声强度动态变化）下的验证。b) 训练策略较为复杂，多个损失项的权重（如λ1=0.3, λ2=0.7）需要精细调优，论文未提供超参数敏感性分析。c) 推理时采用argmax硬选择一条路径，可能损失部分不确定性信息，且训练时的加权求和与推理时的硬选择存在差异。 🏗️ 模型架构 ![CaMoD整体框架图](https://ieeexplore.ieee.org/secondary/xpl/global/similarpaper.jsp?tp=&arnumber=11462418&ref= 注：此处应为论文中“pdf-image-page3-idx0”对应的架构图URL。由于提供的文本中仅有图片标识“pdf-image-page3-idx0”而无具体URL，根据规则，此处无法插入图片，仅用文字描述。 ...

📄 Can Hierarchical Cross-Modal Fusion Predict Human Perception of AI Dubbed Content? #模型评估 #多模态模型 #音频分类 #音视频 ✅ 6.0/10 | 前25% | #模型评估 | #多模态模型 | #音频分类 #音视频 学术质量 5.0/7 | 选题价值 1.5/2 | 复现加成 -0.5 | 置信度 高 👥 作者与机构 第一作者：未说明（论文作者列表中未明确标注顺序） 通讯作者：未说明 作者列表：Ashwini Dasare（Sony Research India）、Nirmesh Shah（Sony Research India，邮箱已提供）、Ashishkumar Gudmalwar（Sony Research India，邮箱已提供）、Pankaj Wasnik（Sony Research India，邮箱已提供） 💡 毒舌点评 亮点：论文提出的“代理MOS+主动学习”框架，巧妙地将多种客观指标融合成弱监督标签，为解决昂贵的人工标注瓶颈提供了一个实用且可扩展的工程化方案。短板：其核心的“层级多模态融合”架构本质上是几种成熟模块（预训练编码器、LoRA、注意力门控、Transformer）的拼装，创新深度有限；且所有实验仅基于Hindi-English双向配音的特定数据集，结论的普适性有待验证。 📌 核心摘要 要解决的问题：评估AI配音质量高度依赖昂贵且难以规模化的人工评分（MOS），现有的单一维度客观指标无法全面反映人类的整体感知。 方法核心：提出一种层级化多模态融合架构，分别提取音频（说话人、韵律、情感）、视频（全局上下文、面部表情）和文本（语义）的特征，并通过模态内融合和跨模态融合层进行整合，最终预测一个综合的“配音分数”（DubScore）。为解决训练数据不足，设计了一个两阶段训练流程：先使用由多个客观指标加权聚合而成的“代理MOS”进行弱监督预训练（权重通过主动学习优化），再用少量人工MOS数据进行微调。 新意：新意在于将主动学习应用于优化代理MOS的权重，并将该弱监督策略与参数高效（LoRA）的多模态层级融合网络相结合，形成一个从弱监督到强监督的完整训练pipeline。 主要实验结果：在12k Hindi-English配音片段上训练后，最终模型预测的DubScore与人工MOS的皮尔逊相关系数（PCC）达到0.76，斯皮尔曼秩相关系数（SRCC）为0.77。消融实验表明，全模态（A+V+T）性能显著优于单模态或双模态；主动学习策略在权重学习上全面优于随机采样；“代理MOS+微调”的组合效果最佳（PCC从0.68提升到0.76）。关键实验数据见表2、表4、表5。 实际意义：提供了一种可扩展的AI配音质量自动化评估方案，可用于指导配音系统优化、内容批量质检，降低对人工评估的依赖。 主要局限性：1）模型和评估完全依赖于预训练特征提取器的质量；2）实验数据集规模（12k）和语言对（仅Hindi-English）有限，未在更多语言、更复杂的配音场景中验证；3）缺乏与最新配音评估方法（如基于LLM的评估）的直接对比；4）开源性不足，难以复现和扩展。 🏗️ 模型架构 论文提出的架构如图1所示，其核心思想是模拟人类对配音质量的多层次感知过程，采用“先模态内融合，再跨模态融合”的层级设计。 ...

📄 Caption and Audio-Guided Video Representation Learning with Gated Attention for Partially Relevant Video Retrieval #视频检索 #多模态模型 #注意力机制 #视觉语言模型 #对比学习 ✅ 7.0/10 | 前25% | #视频检索 | #多模态模型 | #注意力机制 #视觉语言模型 学术质量 5.5/7 | 选题价值 1.0/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Dan Jiang（湖南大学计算机科学与电子工程学院） 通讯作者：Bin Jiang（湖南大学计算机科学与电子工程学院，标注可能为通讯作者） 作者列表：Dan Jiang（湖南大学计算机科学与电子工程学院），Bin Jiang*（湖南大学计算机科学与电子工程学院），Chao Yang（湖南大学计算机科学与电子工程学院），Jianbo Zheng（湖南大学计算机科学与电子工程学院） 💡 毒舌点评 论文的亮点在于将视觉大语言模型（VLLM）生成的帧级字幕作为一种“语义高亮”工具，并与音频信号一起，通过一个精心设计的门控融合模块整合进视频表示学习，思路清晰且有效。短板在于，其核心创新——利用现成VLLM生成字幕作为辅助模态——更像是一种巧妙的工程应用，而非根本性的方法论突破，且在音频模态的利用上相对浅层，未能深入挖掘其时序动态特性。 📌 核心摘要 问题：部分相关视频检索（PRVR）中，长视频包含大量冗余的视觉和听觉语义，而只有与查询相关的显著子集决定了相关性。现有方法平等对待所有视觉内容，且忽略音频线索，导致视频表示冗余且不全面。 核心方法：提出了CAVIGATE框架，包含两个对称分支：视频-字幕（VC）分支和视频-音频（VA）分支。每个分支通过一个模态门控融合（MGF）Transformer，利用可学习的门控函数动态调节字幕或音频特征对视频帧特征的贡献，以突出显著视觉语义并融合互补音频信息，同时抑制噪声。此外，引入了一种衰减的查询多样化损失，防止同一视频的不同查询在嵌入空间中过度聚集。 新意：首次将VLLM生成的帧级描述性字幕作为指导信号，显式地用于突出视频帧中的显著语义；设计了MGF模块自适应融合多模态信息；提出的衰减查询损失旨在缓解语义坍塌，鼓励模型捕获时序演变的语义。 实验结果：在ActivityNet Captions和TVR两个基准测试上，CAVIGATE在大多数指标上达到了当时的最先进水平。例如，使用CLIP-ViT-B/32骨干网络时，在ActivityNet Captions上取得了R@1=15.0， SumR=184.5；在TVR上取得了R@1=26.4， SumR=231.2，显著超越了AMDNet等基线方法。消融实验验证了每个组件（VC/VA分支、MGF、查询损失）的有效性。 实际意义：为从长、无剪辑视频中进行精准文本检索提供了更鲁棒的视频表示学习方案，可应用于视频内容理解、视频数据库搜索等场景。 主要局限性：方法的性能部分依赖于VLLM（如BLIP）生成字幕的质量，引入了额外的计算开销；对音频的利用相对直接（Wav2Vec2编码+简单融合），未充分探索更复杂的音视频交互建模。 🏗️ 模型架构 CAVIGATE是一个双分支（VC和VA）的多模态视频表示学习框架，整体流程如图2左所示。 ...

📄 CASTELLA: Long Audio Dataset with Captions and Temporal Boundaries #音频检索 #多模态模型 #预训练 #迁移学习 #数据集 🔥 8.5/10 | 前25% | #音频检索 | #迁移学习 | #多模态模型 #预训练 学术质量 6.2/7 | 选题价值 1.5/2 | 复现加成 0.8 | 置信度 高 👥 作者与机构 第一作者：Hokuto Munakata（LY Corporation） 通讯作者：未说明（论文中通讯作者符号*对应作者列表第二位Takehiro Imamura，但未明确其通讯作者身份） 作者列表：Hokuto Munakata（LY Corporation）、Takehiro Imamura（名古屋大学）、Taichi Nishimura（LY Corporation）、Tatsuya Komatsu（LY Corporation） 💡 毒舌点评 本文最大的贡献是为音频时刻检索任务“修桥铺路”，用一个规模空前（相比前作大24倍）且质量可控的真实世界数据集，终结了该任务依赖合成数据或极小测试集的尴尬历史，让后续研究得以立足于可靠地基之上。然而，它也清晰地揭示了一个残酷现实：即便有了优质数据，当前模型在检索短时刻（<10秒）时依然表现糟糕，这恐怕是未来比数据规模更难啃的骨头。 📌 核心摘要 要解决什么问题：音频时刻检索（AMR）任务长期缺乏大规模、真实世界的人工标注基准数据集，导致现有模型性能评估不可靠，且训练严重依赖合成数据。 方法核心是什么：构建了CASTELLA数据集。它包含1862个1-5分钟的YouTube音频，每个音频配有全局摘要描述、多个局部关键事件描述及其精确的起止时间边界。同时，基于该数据集，采用预训练音频-文本模型（CLAP）结合检测Transformer（DETR）架构建立了基线模型。 与已有方法相比新在哪里：CASTELLA是首个满足AMR任务三大核心需求（长音频、自由格式描述、时间边界）的大规模真实世界数据集。其标注规模（约1.9k音频）是此前人工标注数据集（UnAV-100子集）的24倍以上。此外，论文首次系统验证了“在合成数据上预训练，再在真实数据集上微调”的两阶段训练策略的有效性。 主要实验结果如何：实验证明，使用CASTELLA进行微调能显著提升性能。仅在合成数据集（Clotho-Moment）上训练的模型Recall1@0.7为5.8；仅在CASTELLA上训练为9.7；而在合成数据预训练后于CASTELLA微调的模型达到16.2，提升10.4点。不同架构对比中，UVCOM模型表现最优（Recall1@0.7: 20.3）。实验还发现，模型对短时刻（<10秒）的检索能力明显较弱（见图3）。 索引 DETR网络 训练数据 R1@0.5 R1@0.7 mAP@0.5 mAP@0.75 mAP@avg. 1 QD-DETR Clotho-Moment 10.3 5.8 9.9 4.7 5.3 2 - CASTELLA 19.8 9.7 17.6 5.9 7.7 3 - 两者 30.6 16.2 26.5 12.2 13.7 4 Moment-DETR 两者 19.3 10.8 17.2 7.0 8.2 5 UVCOM 两者 31.7 20.3 28.4 15.2 15.9 实际意义是什么：为音频理解领域，特别是音频时刻检索任务，提供了一个可靠的评估基准和训练资源，推动了该任务从合成数据走向真实应用。 主要局限性：1）数据集规模虽相对前作巨大，但对于深度学习而言仍属中等；2）音频均来自YouTube，可能存在领域偏差；3）短时刻检索仍是巨大挑战；4）论文未探索更先进的音频表示学习模型或更复杂的检索架构。 🏗️ 模型架构 论文中的基线模型基于 AM-DETR 架构，该架构受视频时刻检索（VMR）模型启发。 ...

📄 ClawMark: A Living-World Benchmark for Multi-Turn, Multi-Day, Multimodal Coworker Agents #基准测试 #模型评估 #多模态模型 #大语言模型 #动态环境 ✅ 7.0/10 | 前25% | #基准测试 | #模型评估 | #多模态模型 #大语言模型 | arxiv 学术质量 6.5/7 | 选题价值 2.0/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Fanqing Meng (Evolvent AI, National University of Singapore) - 根据论文附录，其有*号标记为共同贡献者。 通讯作者：Mengkang Hu†, Michael Qizhe Shieh† (Evolvent AI, National University of Singapore) - 根据论文附录，其有†号标记为通讯作者。 作者列表：Fanqing Meng (Evolvent AI, National University of Singapore), Lingxiao Du (National University of Singapore), Zijian Wu (National University of Singapore), Guanzheng Chen (National University of Singapore), Xiangyan Liu (National University of Singapore), Jiaqi Liao (Independent Researcher), Chonghe Jiang (Massachusetts Institute of Technology), Zhenglin Wan (National University of Singapore), Jiawei Gu (University of Washington), Pengfei Zhou (National University of Singapore), Rui Huang (The University of Hong Kong), Ziqi Zhao (The Hong Kong Polytechnic University), Shengyuan Ding (Fudan University), Ailing Yu (Independent Researcher), Bo Peng (Shanghai Jiao Tong University), Bowei Xia (University of Electronic Science and Technology of China), Hao Sun (Peking University), Haotian Liang (University of Science and Technology of China), Ji Xie (Zhejiang University), Jiajun Chen (National University of Singapore), Jiajun Song (Renmin University of China), Liu Yang (The Hong Kong Polytechnic University), Ming Xu (National University of Singapore), Qionglin Qiu (Hunan University), Runhao Fu (Anhui University), Shengfang Zhai (National University of Singapore), Shijian Wang (Southeast University), Tengfei Ma (The Chinese University of Hong Kong), Tianyi Wu (National University of Singapore), Weiyang Jin (The University of Hong Kong), Yan Wang (Tongji University), Yang Dai (National University of Singapore), Yao Lai (The University of Hong Kong), Youwei Shu (National University of Singapore), Yue Liu (National University of Singapore), Yunzhuo Hao (Zhejiang University), Yuwei Niu (Peking University), Jinkai Huang (Evolvent AI, National University of Singapore), Jiayuan Zhuo (Evolvent AI, National University of Singapore), Zhennan Shen (The Hong Kong University of Science and Technology), Linyu Wu (National University of Singapore), Cihang Xie (University of California, Santa Cruz), Yuyin Zhou (University of California, Santa Cruz), Jiaheng Zhang (National University of Singapore), Zeyu Zheng (University of California, Berkeley), Mengkang Hu (Evolvent AI, National University of Singapore), Michael Qizhe Shieh (Evolvent AI, National University of Singapore)。 💡 毒舌点评 亮点：提出了一个设计极其严谨、评估维度（多天、动态环境、全模态）全面且完全杜绝“LLM当裁判”评分模糊性的智能体基准测试，填补了重要空白。短板：作为基准测试，其本身不产出新的模型或算法，对推动模型能力提升的作用是间接的；且100个任务的规模对于构建稳健的排行榜可能稍显不足。 ...

📄 Clue2Emo: A Brain-Inspired Framework for Open-Vocabulary Multimodal Emotion Recognition #语音情感识别 #多模态模型 #大语言模型 #数据集 🔥 8.5/10 | 前25% | #语音情感识别 | #多模态模型 | #大语言模型 #数据集 学术质量 6.5/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Ziyun Zhang (Ziyun Zhang1,2,†)（北京理工大学医学技术学院，深圳北理莫斯科大学人工智能研究院） 第一作者：Jian Chen (Jian Chen3,†)（香港大学电气与电子工程系） 通讯作者：Chengming Li (Chengming Li2,∗)（深圳北理莫斯科大学人工智能研究院） 通讯作者：Xiping Hu (Xiping Hu1,2,∗)（北京理工大学医学技术学院，深圳北理莫斯科大学人工智能研究院） 作者列表： Ziyun Zhang (北京理工大学医学技术学院，深圳北理莫斯科大学人工智能研究院) Jian Chen (香港大学电气与电子工程系) Yuxuan Hu (香港城市大学数据科学系) Zhen Zhang (深圳北理莫斯科大学人工智能研究院) Xiaoyan Yuan (北京理工大学医学技术学院，深圳北理莫斯科大学人工智能研究院) Min Yang (中国科学院深圳先进技术研究院) Xiangyu Zhao (香港城市大学数据科学系) Edith C. H. Ngai (香港大学电气与电子工程系) Chengming Li (深圳北理莫斯科大学人工智能研究院) Xiping Hu (北京理工大学医学技术学院，深圳北理莫斯科大学人工智能研究院) 💡 毒舌点评 论文提出了一个理论上优雅的“感知线索→推理”两阶段框架，并首次为情感识别构建了“感官线索”数据集MER-CLUE，这为提升黑盒模型的可解释性提供了有希望的路径。然而，其工程实现的细节模糊（如训练硬件、具体超参数未说明）以及代码、模型权重的缺位，让其“可复现性”大打折扣，使得这一精巧的设计目前更像一个高质量的“概念验证”而非开箱即用的解决方案。 ...

📄 Context-Aware Dynamic Graph Learning for Multimodal Emotion Recognition with Missing Modalities #语音情感识别 #多模态模型 #大语言模型 #多任务学习 #鲁棒性 🔥 8.8/10 | 前10% | #语音情感识别 | #多模态模型 | #大语言模型 #多任务学习 学术质量 6.5/7 | 选题价值 1.5/2 | 复现加成 0.8 | 置信度 高 👥 作者与机构 第一作者：Miree Kim（首尔淑明女子大学软件系） 通讯作者：Sunyoung Cho（首尔淑明女子大学软件系） 作者列表：Miree Kim（首尔淑明女子大学软件系）、Sunyoung Cho（首尔淑明女子大学软件系） 💡 毒舌点评 亮点在于将大语言模型从“黑盒”生成器改造为上下文感知的情感特征提取器，生成的关键词作为引导信息注入图神经网络，这种“LLM作为特征增强器”的思路比端到端微调更轻量且针对性强。短板是模拟缺失场景的方式（随机丢弃）可能过于理想化，与真实世界中模态缺失的关联性（如特定情境下语音质量差）不符，且未深入讨论LLM引入带来的计算开销。 📌 核心摘要 问题：对话场景下的多模态情感识别（MERC）在实际应用中面临模态缺失（如文本、音频、视频不全）的挑战，现有方法难以在缺失条件下保持语义一致性和鲁棒性。 方法核心：提出一个统一框架，包含三个核心组件：(1) 一个自适应对话图，利用改进的动态图常微分方程（DGODE）建模说话人及时间动态；(2) 利用大语言模型（Qwen-7B）提取条件化的、情感相关的关键词，作为重构缺失模态的语义引导；(3) 引入基于AudioCLIP的跨模态对齐损失，强制重建模态与可用模态语义一致。 创新点：相比传统统计填充或简单生成模型，本方法创新性地结合了图动态建模、大语言模型上下文引导的语义增强和跨模态对比对齐，实现了在缺失模态下的高质量重构与情感识别。 主要实验结果：在IEMOCAP和MELD数据集上，该方法在6种模态缺失场景的平均F1分数（Avg. F1）分别达到69.13%和62.39%，显著优于之前SOTA方法（如MPLMM：67.22%， 60.56%）。在全模态设置下也达到最优（IEMOCAP：73.74% F1； MELD：70.22% F1）。消融实验证实了LLM关键词（带来约1.8-2.6% F1提升）和AudioCLIP对齐（带来约1.2-1.7% F1提升）的有效性。 数据集 方法 {a} F1 {v} F1 {t} F1 {a,v} F1 {a,t} F1 {v,t} F1 Avg. F1 IEMOCAP Ours 61.28 58.14 70.91 69.15 78.22 77.05 69.13 MPLMM 59.71 56.98 69.28 67.37 75.44 74.51 67.22 MELD Ours 55.21 51.64 67.71 59.97 69.67 70.15 62.39 MPLMM 52.95 50.41 65.28 58.14 68.29 68.31 60.56 实际意义：为构建在现实复杂环境下（传感器不稳定、数据部分丢失）仍能稳定工作的情感计算系统提供了有效的解决方案。 主要局限性：模态缺失模拟方式（随机丢除）可能与真实场景不完全一致；框架依赖多个预训练模型（BERT, AudioCLIP, DenseNet, Qwen），推理流程相对复杂；未详细分析大语言模型推理带来的额外计算成本。 🏗️ 模型架构 模型架构（如图1所示）是一个端到端的联合优化框架，主要包含以下模块和数据流�� ...

📄 Continuous-Token Diffusion for Speaker-Referenced TTS in Multimodal LLMs #语音合成 #多模态模型 #扩散模型 #自回归模型 🔥 8.0/10 | 前10% | #语音合成 | #扩散模型 | #多模态模型 #自回归模型 学术质量 6.5/7 | 选题价值 1.8/2 | 复现加成 -0.3 | 置信度 高 👥 作者与机构 第一作者：Xinlu He（Worcester Polytechnic Institute， Amazon AGI） 通讯作者：未说明 作者列表：Xinlu He*（Worcester Polytechnic Institute， Amazon AGI）， Swayambhu Nath Ray（Amazon AGI）， Harish Mallidi（Amazon AGI）， Jia-Hong Huang（Amazon AGI）， Ashwin Bellur（Amazon AGI）， Chander Chandak（Amazon AGI）， M. Maruf（Amazon AGI）， Venkatesh Ravichandran（Amazon AGI） 💡 毒舌点评 亮点在于其高效的双头架构设计和两阶段训练策略，成功将连续token扩散“塞进”了自回归框架并取得了SOTA的自回归TTS结果，参数效率极高。短板则是开源精神的缺失，在声称“仅用于研究”的同时，却未提供任何模型、代码或数据，让“复现”成了镜花水月。 ...

📄 Coupling Acoustic Geometry and Visual Semantics for Robust Depth Estimation #空间音频 #多模态模型 #时频分析 #鲁棒性 ✅ 7.5/10 | 前25% | #空间音频 | #多模态模型 | #时频分析 #鲁棒性 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 中 👥 作者与机构 基于论文内容提取如下： 第一作者：Anjie Wang（北京大学电子与计算机工程学院，鹏城实验室） 通讯作者：Zhijun Fang（复旦大学可信具身AI研究所，东华大学信息与智能科学学院）(论文中注明“Corresponding author: Zhijun Fang (zjfang@fudan.edu.cn)”) 作者列表： Anjie Wang（北京大学电子与计算机工程学院，鹏城实验室） Mingxuan Chen（上海工程技术大学电子与电气工程学院） Xiaoyan Jiang（上海工程技术大学电子与电气工程学院） Yongbin Gao（上海工程技术大学电子与电气工程学院） Zhijun Fang（复旦大学可信具身AI研究所，东华大学信息与智能科学学院） Siwei Ma（北京大学计算机科学学院） 💡 毒舌点评 亮点在于其融合策略的精巧设计，通过语义查询注入（SQI）和条件解码器（SGCD）明确地解决了声学稀疏几何与密集视觉语义间的对齐难题，并用不确定性门控（DUGF）实现了自适应的模态平衡，这在思想上比简单的拼接或注意力融合更进了一步。然而，所有实验均基于合成声学数据（Echo simulation），且数据集均为室内场景，其结论在真实世界复杂声学环境（如室外、多声源干扰）中的泛化能力未经验证，这是其最大的短板。 📌 核心摘要 要解决什么问题：单目深度估计在低纹理、反射、光照差和遮挡等场景下性能下降严重；而主动声学（如回声）能提供几何互补线索，但存在数据稀疏、与图像不对齐的问题。现有音视觉融合方法未能充分解决这种模态间的异质性。 方法核心是什么：提出了EchoFormer框架，���核心是三个组件：（1）语义查询注入（SQI）：将DINOv2提取的全局图像语义作为查询，通过交叉注意力引导对回声特征的关注；（2）语义-几何条件解码器（SGCD）：使用图像特征和语义查询通过FiLM调制来条件化地解码多尺度回声特征；（3）动态不确定性感知门控融合（DUGF）：一个轻量级卷积头预测像素级置信度权重，自适应地融合视觉和回声特征。 与已有方法相比新在哪里：与先前简单的拼接或浅层融合（如VisualEchoes， BI2D）不同，EchoFormer显式地将高层语义信息作为桥梁来耦合稀疏的声学几何特征和密集的视觉语义特征。DUGF模块引入了像素级的不确定性感知，使模型能在纹理丰富区域更信赖视觉，在黑暗或反光区域更信赖声学，这比全局加权融合更精细。 主要实验结果如何：在Replica和Matterport3D两个室内基准上，EchoFormer（Mono+Echo）全面超越了现有回声单模态、单目单模态及融合方法。在Replica上，RMSE从最强基线[15]的0.246降至0.186，δ<1.25从0.865提升至0.919。在Matterport3D上，RMSE从0.845降至0.812。消融实验证实SGCD和DUGF均带来持续性能提升。 实际意义是什么：为机器人导航、增强现实、三维重建等应用在视觉受限的恶劣环境中提供了更鲁棒的深度感知解决方案，推动了多模态感知在复杂真实场景中的落地。 主要局限性是什么：实验完全基于模拟生成的回声数据，缺乏真实世界采集的音视觉配对数据的验证；仅评估了室内场景；声学模型单一（仅模拟了单回声源），未考虑更复杂的声学环境。 EchoFormer的整体架构如图1所示，其输入为128x128的RGB图像和对应的回声频谱图，输出为密集深度图。 架构主要包含以下组件和数据流： ...

📄 CoVA: Text-Guided Composed Video Retrieval for Audio-Visual Content #跨模态检索 #音视频 #多模态模型 #对比学习 #数据集 #基准测试 ✅ 6.5/10 | 前25% | #跨模态检索 | #多模态模型 | #音视频 #对比学习 学术质量 5.0/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 高 👥 作者与机构 第一作者：Gyuwon Han (Chung-Ang University) 通讯作者：Chanho Eom (Chung-Ang University) 作者列表：Gyuwon Han (Chung-Ang University)、Young Kyun Jang (Google DeepMind)、Chanho Eom (Chung-Ang University) 💡 毒舌点评 论文最大的亮点是提出了一个非常实际且被忽视的问题——用户可能因为音频不同而对视觉相似的视频有不同需求，并为此构建了首个音视频组合变化的检索基准，填补了领域空白。短板在于其提出的AVT融合模块本质上是为多模态特征学习一个加权平均，技术复杂度较低，核心模型架构创新有限。 📌 核心摘要 要解决什么问题：现有的组合视频检索（CoVR）方法仅考虑视觉内容的修改，忽略了音频对用户检索意图的关键影响，导致视觉相似但音频不同的视频被错误地视为语义等价。 方法核心是什么：提出了CoVA任务和AV-Comp数据集。方法上，提出了AVT Compositional Fusion模块，该模块通过一个简单的MLP为来自参考视频、修改文本（拆分为对象、动作、属性、音频四个方面）的每个特征分量预测一个权重，然后进行加权融合，以动态适应查询语义。 与已有方法相比新在哪里：首次将音频模态的变化作为组合检索的核心考量因素。构建了首个支持音视频对齐变化查询的数据集AV-Comp。提出的AVT模块相比简单的平均融合，能更有效地利用多模态信息。 主要实验结果如何：在AV-Comp测试集上，CoVA（使用CLIP-L编码器）达到了35.9% R@1，显著优于LanguageBind（27.17%）和ImageBind（20.2%）。消融实验证明移除任何文本组件（对象、动作、属性、音频）都会导致性能下降，证实了四个组件的必要性。主要结果对比如下表： 方法 R@1↑ R@5↑ R@10↑ MnR↓ ImageBind 20.2 50.5 65.4 14.6 LanguageBind 27.17 61.44 77.12 8.7 CoVA (Ours) 35.9 73.7 86.4 6.2 实际意义是什么：为音视频内容的精细检索提供了新的范式和评估基准，推动多模态检索模型更全面地理解人类的多感官意图。 主要局限性是什么：AVT模块设计相对简单，其性能提升部分依赖于更换了更强的文本编码器（CLIP-L）。数据集构建过程依赖于现成的视觉/音频描述生成模型（Qwen2.5-VL, Gemini），可能引入偏差。方法的可扩展性和在更复杂场景下的鲁棒性有待验证。 🏗️ 模型架构 CoVA框架整体分为三个模块：特征提取、门控融合Transformer（GFT）和AVT组合融合。其完整流程如下： ...