本文提出了一种新的音视频分割（AVS）策略，构建了经济实惠的基准数据集AVSBench，并引入了音频感知变压器和时间像素级交互模块，显著提高了音频与视觉的分割精度。实验结果显示，这些方法在AVS性能上取得了突破，缩小了音频与视觉模态之间的差距。