提出两阶段多模态动态视听导航框架

2026年10月14日，arXiv Artificial Intelligence 刊出研究，Jia Li、Yinfeng Yu 提出一种面向动态音视觉导航（D-AVN）的两阶段多模态学习框架。报道称，现有方法依赖语义听觉特征，难以泛化到未见声音类别。该框架的第一阶段为物理对齐阶段，采用 Intensity-Calibrated Geometry Encoder（ICGE），将声音强度与视觉几何进行物理对齐；框架还包含 CMSA 部分。报道未给出更多实验细节、适用条件或发布时间之外的信息。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。