Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

LAVCap: LLM-based Audio-Visual Captioning using Optimal Transport

Created by
  • Haebom
Category
Empty

저자

Kyeongha Rho, Hyeongkeun Lee, Valentio Iverson, Joon Son Chung

개요

LAVCap은 오디오-비주얼 캡셔닝을 위한 대규모 언어 모델(LLM) 기반 프레임워크입니다. 기존 방법들의 오디오 및 비주얼 데이터 융합의 어려움을 해결하기 위해 최적 전송(Optimal Transport) 기반 정렬 손실과 최적 전송 어텐션 모듈을 제시합니다. 이를 통해 오디오와 비주얼 피처 간의 모달리티 간극을 해소하고, 더욱 효과적인 의미 추출을 가능하게 합니다. AudioCaps 데이터셋에서 기존 최첨단 방법들을 능가하는 성능을 보이며, 대규모 데이터셋이나 후처리 없이도 우수한 결과를 달성합니다. 소스 코드는 공개되어 있습니다.

시사점, 한계점

시사점:
최적 전송 기반의 오디오-비주얼 융합 방법을 제시하여 기존 방법의 한계를 극복.
대규모 데이터셋이나 후처리 없이도 최첨단 성능 달성.
효율적인 오디오-비주얼 캡셔닝 프레임워크 제공.
공개된 소스 코드를 통해 재현성 및 확장성 확보.
한계점:
AudioCaps 데이터셋에 대한 성능 평가만 제시되어 다른 데이터셋으로의 일반화 가능성에 대한 검증 필요.
제안된 방법의 계산 비용 및 효율성에 대한 추가적인 분석 필요.
다양한 유형의 오디오-비주얼 데이터에 대한 로버스트성 평가 부족.
👍