视觉大模型 / VLM

Physics-Aware Novel-View Acoustic Synthesis with Vision-Language Priors and 3D Acoustic Environment Modeling

具有视觉-语言先验和3D声学环境建模的物理感知新视角声音合成

Congyi Fan, Jian Guan, Youtian Lin, Dongli Xu, Tong Ye, Qiaoxi Zhu, Pengming Feng, Wenwu Wang

机构 * Group of Intelligent Signal Processing（智能信号处理组） ； Harbin Engineering University（哈尔滨工程大学） ； School of Intelligence Science and Technology（智能科学与技术学院） ； Nanjing University（南京大学） ； Processing Speech and Images（语音与图像处理） ； KU Leuven（库尔勒文大学） ； Acoustics Lab（声学实验室） ； University of Technology Sydney（悉尼技术大学） ； State Key Laboratory of Space Information System and Integrated Application（空间信息系统与集成应用国家重点实验室） ； Centre for Vision Speech and Signal Processing（视觉语音与信号处理中心） ； University of Surrey（萨里大学） 纠错

专题命中 文档图表理解 ：vision-language model(abstract)

AI总结 Phys-NVAS通过整合视觉-语言语义先验与3D声学环境建模，实现了具有物理感知的新视角声音合成，提升了声音的真实感和物理一致性。

Comments ICASSP 2026 Accept, Project page: https://physnvas.github.io/