多模态大模型

CoVA: Text-Guided Composed Video Retrieval for Audio-Visual Content

CoVA: 基于文本引导的复合视频检索用于音频视觉内容

Gyuwon Han, Young Kyun Jang, Chanho Eom

专题命中 音频语音多模态 ：audio-visual(title)；cross-modal(abstract)；分类 cs.CV

AI总结 CoVA通过整合视频、音频和文本特征，解决音频视觉内容检索中的跨模态变化问题，提出AVT复合融合方法并构建AV-Comp基准。

Comments Please visit our project page at https://perceptualai-lab.github.io/CoVA/

BNMusic: Blending Environmental Noises into Personalized Music

BNMusic: 将环境噪音融入个性化音乐

Chi Zuo, Martin B. Møller, Pablo Martínez-Nuevo, Huayang Huang, Yu Wu, Ye Zhu

机构 * Wuhan University（武汉大学） ； Bang & Olufsen A/S（Bang & Olufsen公司） ； Princeton University（普林斯顿大学） ； LIX, École Polytechnique（巴黎政治学院LIX研究所） 纠错

专题命中 音频语音多模态 ：cross-modal(abstract)；分类 cs.AI、eess.AS

AI总结 BNMusic通过将环境噪音融入个性化音乐生成，减少噪音的明显性，提升听觉体验。

Comments This paper has been accepted by NeurIPS 2025