SlotAVS：双模态槽注意力的音视频分割

2026年10月14日，arXiv Computer Vision 刊出 Arnav Sharma 等作者的论文预印本，提出 SlotAVS 音视频分割框架。该框架以对象为中心，用竞争性双模态 slot attention 替代全局跨模态融合：从时序音频序列初始化离散对象 slot，并在空间视觉 token 上强制 slot 间竞争，以缓解多声源掩码粘连问题。作者称在 AVSBench 数据集上的大量实验验证了方法有效性，在单源（S4）划分上取得 88.6% mIoU，在多源（MS3）划分上取得 71.7% mIoU。目前该工作处于预印本阶段，上述指标均为作者自报结果，尚无后续跟进报道。

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。