面向音视频分割的双耳发声实例消歧方法 BiSID-AVS

研究团队提出音视频分割方法 BiSID-AVS，引入双耳音频空间约束以识别多个同类视觉候选中的真实发声实例。该方案通过音频提示定位候选区域，并将双耳线索映射为空间响应图，在特征与解码器层级进行双重空间调节。在 AVS-Synthetic 与 Habitat-AVS 数据集的多候选子集上，BiSID-AVS 将实例级 mIoU 分别提升了 35.19 和 41.21 个百分点。