arXiv cs.AI· Jia Li, Yinfeng Yu·· 8 小时前AI 评分18
两阶段多模态学习实现动态音视觉导航：从物理对齐到场景聚合
Two-Stage Multi-modal Learning for Dynamic Audio-Visual Navigation: From Physical Alignment to Scene Aggregation
AI 导读
针对动态音视觉导航（D-AVN）任务，研究者提出两阶段多模态学习框架：物理对齐阶段用 Intensity-Calibrated Geometry Encoder（ICGE）将声音强度与视觉几何做物理对齐，场景聚合阶段用基于 Transformer 的 Cross-Modal Scene Aggregator（CMSA）融合多模态特征。
来源：arXiv cs.AI · arxiv.org