该研究聚焦于音频-视觉问答（AVQA）任务，构建了MUSIC-AVQA v2.0数据集，并提出了新的基线模型，准确性超越现有标准。研究表明，通过多模态知识和时空推理，该方法在问题回答性能上具有显著优势。

听、看、回答：克服音频视觉问题回答中的偏差
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证