Yuelei Li, Hyunjin Kim, Fangneng Zhan, Ri-Zhao Qiu, Mazeyu Ji, Xiaojun Shan, Xueyan Zou, Paul Liang, Hanspeter Pfister, Xiaolong Wang
개요
본 논문은 물체의 외관과 재질 특성을 바탕으로 물체가 어떤 소리를 낼지 예측하는 인간의 직관에 착안하여, 3D Gaussian Splatting (3DGS)을 이용하여 3D 공간 내에서 타격음과 시각 신호를 연결하는 프레임워크인 Visual Acoustic Fields를 제안합니다. 이 프레임워크는 타격음 생성 모듈과 타격음 위치 추정 모듈 두 가지 주요 모듈로 구성됩니다. 타격음 생성 모듈은 특징이 추가된 3DGS에서 렌더링된 다중 스케일 특징을 사용하여 현실적인 타격음을 생성하는 조건부 확산 모델을 활용합니다. 한편, 타격음 위치 추정 모듈은 특징이 추가된 3DGS로 표현된 3D 장면을 쿼리하여 음원을 기반으로 타격 위치를 찾습니다. 본 논문에서는 또한 캡처된 이미지, 충격 위치 및 해당 소리 간의 정렬을 달성하는 장면 수준의 시각-음향 샘플 쌍을 수집하기 위한 새로운 파이프라인을 제시합니다. 제시된 데이터셋은 3D 맥락에서 시각 및 음향 신호를 연결하는 최초의 데이터셋입니다. 실험 결과는 Visual Acoustic Fields가 타당한 충격음을 생성하고 충격원을 정확하게 찾는 데 효과적임을 보여줍니다.
시사점, 한계점
•
시사점:
◦
3D 공간에서 시각 및 음향 신호를 연결하는 새로운 프레임워크인 Visual Acoustic Fields 제시.