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.

SignClip: Leveraging Mouthing Cues for Sign Language Translation by Multimodal Contrastive Fusion

Created by
  • Haebom

저자

Wenfang Wu, Tingting Yuan, Yupeng Li, Daling Wang, Xiaoming Fu

개요

본 논문은 수화 번역(SLT)의 정확도 향상을 위한 새로운 프레임워크인 SignClip을 제안합니다. 기존 연구들이 주로 수화의 수동적 신호(손동작)에 집중하는 것과 달리, SignClip은 수동적 신호와 비수동적 신호(입 모양) 모두를 활용합니다. 특히 공간적 제스처와 입술 움직임 특징을 융합하고, 다수준 정렬 목표를 가진 계층적 대조 학습 프레임워크를 도입하여 수화-입술 및 시각-텍스트 모드 간의 의미적 일관성을 보장합니다. PHOENIX14T와 How2Sign 데이터셋을 이용한 실험 결과, SignClip이 기존 최고 성능 모델인 SpaMo를 능가하는 것을 보여줍니다. 예를 들어, PHOENIX14T Gloss-free 설정에서 BLEU-4는 24.32에서 24.71로, ROUGE는 46.57에서 48.38로 향상되었습니다.

시사점, 한계점

시사점:
수화 번역의 정확도 향상을 위해 수동적 및 비수동적 신호(입 모양)를 통합하는 효과적인 방법 제시
계층적 대조 학습 프레임워크를 통해 수화-입술 및 시각-텍스트 모드 간의 의미적 일관성 향상
기존 최고 성능 모델보다 우수한 성능 달성
한계점:
성능 향상폭이 크지 않음 (BLEU-4 기준 0.39, ROUGE 기준 1.81 향상)
제한된 데이터셋(PHOENIX14T, How2Sign) 사용으로 일반화 성능 검증 필요
다른 비수동적 신호(얼굴 표정 등) 고려 필요성
👍