本文探讨了无约束视频中的音频视觉事件定位问题，提出了结合音频引导视觉注意力的双模态残差网络和跨模态距离学习网络。研究表明，联合建模听觉与视觉模型的效果优于独立建模，强调了音频视觉融合的重要性，并提出了有效的音频-视觉事件定位方法。