本研究提出源感知语义表示网络（SaSR-Net），旨在提升音视频问答（AVQA）中的多模态场景解析能力。该网络通过源级可学习标记捕捉音视频元素，并利用空间和时间注意机制简化信息融合。实验结果表明，其在Music-AVQA和AVQA-Yang数据集上超越了现有方法。

本文研究音视频问答（AVQA）任务，提出了MUSIC-AVQA数据集及多种新方法，如渐进式时空感知网络和上下文多模态对齐网络，显著提升了问答性能。同时，研究探讨了多语言环境下的AVQA，提出新的数据集和框架，以提高鲁棒性和准确性。

本文研究了音视频问答（AVQA）任务，提出了MUSIC-AVQA数据集及多种模型优化策略，提升了多模态关系探索和问题推理能力。实验结果表明，所提方法在多个数据集上优于现有技术，有效应对缺失模态信息和冷启动问题。

本文研究了音视频问答（AVQA）任务，提出了目标感知联合时空基础网络和渐进式时空感知网络等新方法，利用多模态特征和知识蒸馏提升问答性能。实验结果显示，这些方法在MUSIC-AVQA数据集上表现优越，推动了AVQA领域的发展。

本文研究音视频问答（AVQA）任务，提出了MUSIC-AVQA数据集及多模态知识和时空推理方法，显著提高了问题回答的准确性和效率。实验结果显示，该方法在多个数据集上优于现有技术。