介绍了MMIS数据集，包含近16万张图片，每张图片都有文本描述和音频记录，为场景生成和识别提供了丰富和多样的信息源。MMIS涵盖了各类室内空间，对多模态表示学习任务有贡献。

NoteEM是一种自动化的乐曲信息获取方法，能够从音频记录中解码出乐曲内容。该方法在MAPS数据集上表现出最好的准确度，并在跨数据集评估中也有优势。