arXiv cs.CV· Kun Li, Michael Ying Yang, Sami Sebastian Brandt·· 2 小时前AI 评分22
QSTar：面向音乐音视频问答的查询引导时空频交互方法
Query-Guided Spatial-Temporal-Frequency Interaction for Music Audio-Visual Question Answering
AI 导读
针对现有音视频问答（AVQA）方法偏重视觉、音频仅作补充且文本问题只在推理末端介入的问题，研究者提出查询引导的时空频交互方法 QSTar，结合问题线索与音频频域特征增强音视频理解，并引入受提示词启发的 Query Context Reasoning（QCR）模块。
来源：arXiv cs.CV · arxiv.org