ICCV2023论文汇总：视觉和音频 Vision and Audio

Sound  Source  Localization  is  All  About  Cross-Modal  Alignment

声源定位就是跨模态对齐

Class-Incremental  Grouping  Network  for  Continual  Audio-Visual  Learning

用于持续视听学习的班级增量分组网络

Audio-Visual  Class-Incremental  Learning

视听课堂-增量学习

DiffV2S:  Diffusion-based  Video-to-Speech  Synthesis  with  Vision-Guided  Speaker  Embedding

DiffV2S：具有视觉引导扬声器嵌入的基于扩散的视频语音合成

The  Power  of  Sound  (TPoS):  Audio  Reactive  Video  Generation  with  Stable  Diffusion

声音的力量  (TPoS)：具有稳定扩散的音频反应视频生成

On  the  Audio-Visual  Synchronization  for  Lip-to-Speech  Synthesis

唇语合成的视听同步研究

Dense  2D-3D  Indoor  Prediction  with  Sound  via  Aligned  Cross-Modal  Distillation

通过对齐的跨模态蒸馏进行密集  2D-3D  室内声音预测

Hyperbolic  Audio-Visual  Zero-Shot  Learning

双曲视听零样本学习

AdVerb:  Visually  Guided  Audio  Dereverberation

AdVerb：视觉引导音频去混响

Sound  Localization  from  Motion:  Jointly  Learning  Sound  Direction  and  Camera  Rotation

运动声音定位：联合学习声音方向和相机旋转