arXiv · 机器人与计算机视觉· Anurag Singh, Prajwal Singh, Shanmuganathan Raman·· 13 小时前AI 评分42
多源音频生成为何失败:几何诊断与修复方案
Why Multi-Source Audio Fails to Compose: A Geometric Diagnosis and Its Remedy
AI 导读
研究揭示当音频 token 在 CLIP 文本空间处于几何位移且语义未锚定位置时,扩散 U-Net 难以可靠关注或定位。通过对比 BEATs 和 CLAP 嵌入分析发现,CLAP 在类内紧凑性、角度对齐及空间分离三项属性上均优于 BEATs,提升轮廓分数超 3 倍。
来源:arXiv · 机器人与计算机视觉 · arxiv.org