arXiv · cs.AI· Longjie Luo, Zhongshu Hou, Yuepeng Li, Gang Yang, Shidong Shang, Fan Zhou·· 5 小时前
CF-AVSS：面向真实场景音频-视觉语音分离的粗到细框架
CF-AVSS: A Coarse-to-Fine Audio-Visual Speech Separation Framework with Target-Speaker Refinement and Post-Fusion for Real-World AVSE Challenge
arXiv:2610.21773v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Longjie Luo, Zhongshu Hou, Yuepeng Li, Gang Yang, Shidong Shang, Fan Zhou
研究任务与主要进展
作者提出CF-AVSS两阶段音频-视觉语音分离框架，第一阶段生成可视顺序的粗略目标语音估计，第二阶段结合原始混合信号和两路粗略估计进行目标说话人细化，最后进行开发集校准融合。基于论文摘要，该系统在ISCSLP 2026 Real-World AVSE Challenge中Track 1并列第一、Track 2排名第二，两个赛道的OVRL CER分别为12.31%和14.79%，均为最低。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org