论文解读
Training-Free Multimodal Guidance for Video to Audio Generation
音频生成 | 8.0/10
扩散模型
论文解读
Virtual Consistency for Audio Editing
音乐生成 | 8.0/10
论文解读
Visual Keys to Symphonies: Latent Diffusion for Multi-Scene Video-to-Music Generation
音乐生成 | 7.5/10
论文解读
ViTex: Visual Texture Control for Multi-Track Symbolic Music Generation via Discrete Diffusion Models
音乐生成 | 7.0/10
论文解读
VividTalker: A Modular Framework for Expressive 3D Talking Avatars with Controllable Gaze and Blink
语音合成 | 7.5/10
论文解读
VMSP: Video-to-Music Generation with Two-Stage Alignment and Synthesis
音乐生成 | 7.0/10
论文解读
VT-Heads: Voice Cloning and Talking Head Generation from Text Based on V-DiT
视频生成 | 6.5/10
论文解读
Wave-Trainer-Fit: Neural Vocoder With Trainable Prior And Fixed-Point Iteration Towards High-Quality Speech Generation From SSL Features
语音合成 | 7.0/10
论文解读
Wavenext 2: Convnext-Based Fast Neural Vocoders with Residual Denoising and Sub-Modeling for Gan And Diffusion Models
语音合成 | 9.0/10
论文解读
CineAGI: Character-Consistent Movie Creation through LLM-Orchestrated Multi-Modal Generation and Cross-Scene Integration
跨模态 | 8.0/10
论文解读
Hallo-Live: Real-Time Streaming Joint Audio-Video Avatar Generation with Asynchronous Dual-Stream and Human-Centric Preference Distillation
音视频 | 8.5/10
论文解读
Scaling Properties of Continuous Diffusion Spoken Language Models
语音生成 | 8.0/10
论文解读
Talker-T2AV: Joint Talking Audio-Video Generation with Autoregressive Diffusion Modeling
语音合成 | 7.5/10
论文解读
UniSonate: A Unified Model for Speech, Music, and Sound Effect Generation with Text Instructions
音频生成 | 8.5/10
论文解读
Video-Robin: Autoregressive Diffusion Planning for Intent-Grounded Video-to-Music Generation
音乐生成 | 7.0/10
论文解读
CoInteract: Physically-Consistent Human-Object Interaction Video Synthesis via Spatially-Structured Co-Generation
1. **问题**：现有视频扩散模型在生成人机交互（HOI）视频时，常出现手/脸结构崩溃和人机物理穿透等问题，根源在于模型缺乏对3D空间关系和交互结构的理解。 2. **方法核心**：提出CoInteract框架，核心是“空间结构化协同生成”范式。在一个共享的DiT骨干中联合训练RGB外观流和辅助的
论文解读
Anonymization, Not Elimination: Utility-Preserved Speech Anonymization
这篇论文针对语音数据隐私保护中“隐私泄露”与“数据效用损失”的核心矛盾，提出了一个新颖的两阶段框架。首先，为解决语音匿名化（保护“谁在说”）中身份多样性不足和可控性差的问题，提出了基于流匹配的说话人嵌入匿名器（F3-VA），它能生成多样且与原始说话人充分分离的新身份。其次，为解决内容匿名化（保护“说
论文解读
Latent Fourier Transform
这篇论文旨在解决现有音乐生成模型难以对**任意时间尺度**上的音乐模式进行精确控制的问题。作者提出了**潜在傅里叶变换（LatentFT）** 框架，其核心是将离散傅里叶变换应用于由扩散自编码器编码得到的**潜在向量序列**，从而得到“潜在频谱”。通过在训练过程中对潜在频谱进行随机频率掩码，迫使解码
论文解读
Beyond Monologue: Interactive Talking-Listening Avatar Generation with Conversational Audio Context-Aware Kernels
本文旨在解决从单向“独白”式虚拟人生成迈向自然“全双工”交互式生成的核心挑战。**核心问题**在于，现有方法要么因严格的帧对齐而反应僵硬，要么因引入全局注意力而破坏唇同步。**关键方法**是提出一个基于多头高斯核（MHGK）的统一注意力架构，该机制通过为不同的注意力头分配从窄到宽的高斯分布感受野，使
论文解读
Elucidating the SNR-t Bias of Diffusion Probabilistic Models
这篇论文的核心贡献是识别并系统分析了扩散概率模型（DPMs）中一个基础性问题——信噪比-时间步（SNR-t）偏差。该偏差指推理时去噪样本的实际SNR与其所分配时间步t所理论对应的SNR不匹配，这种错位源于训练时的严格耦合在推理时被累积误差打破。作者通过详实的实验（滑动窗口测试、前向与反向过程对比）揭