視覚音響マッチング【JST・京大機械翻訳】

Chen Changan; Gao Ruohan; Calamia Paul; Grauman Kristen

プレプリント

J-GLOBAL ID：202202218024898784 整理番号：22P0289487

視覚音響マッチング【JST・京大機械翻訳】

Visual Acoustic Matching

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年02月14日プレプリントサーバーでの情報更新日： 2022年06月13日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

視覚音響マッチングタスクを導入し,その中で,オーディオクリップをターゲット環境で記録する音に変換する。ソースオーディオのためのターゲット環境と波形の画像を与えて,目標は,その可視幾何学と材料によって示唆されるように,目標室音響に適合するために,オーディオを再合成することである。この新規タスクに取り組むために,オーディオに視覚特性を注入し,現実的なオーディオ出力を生成するオーディオビジュアル注意を用いるクロスモーダル変圧器モデルを提案した。さらに,音響的にミスマッチしたオーディオの欠如にもかかわらず,インザイブWebビデオから音響マッチングを学習できる自己教師付き訓練目的を考案した。提案アプローチは,画像で表現された様々な実世界環境に対して人間の音声を成功裏に翻訳し,従来の音響マッチングとより重視されたベースラインの両者を凌駕することを示した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , 【Automatic Indexing@JST】

パターン認識 , 音声処理 , 図形・画像処理一般

, ,

前のページに戻る