ChatPaper.aiChatPaper

FoleyGen: 視覚誘導型オーディオ生成

FoleyGen: Visually-Guided Audio Generation

September 19, 2023
著者: Xinhao Mei, Varun Nagaraja, Gael Le Lan, Zhaoheng Ni, Ernie Chang, Yangyang Shi, Vikas Chandra
cs.AI

要旨

近年のオーディオ生成の進展は、大規模な深層学習モデルと膨大なデータセットの進化によって促進されてきました。しかし、ビデオからオーディオ(V2A)生成のタスクは依然として課題であり、主に高次元の視覚データと聴覚データの複雑な関係性、および時間的同期に関連する課題が原因です。本研究では、言語モデリングのパラダイムに基づいたオープンドメインのV2A生成システムであるFoleyGenを紹介します。FoleyGenは、波形と離散トークンの双方向変換のために既存のニューラルオーディオコーデックを活用します。オーディオトークンの生成は、視覚エンコーダーから抽出された視覚特徴に条件付けされた単一のTransformerモデルによって促進されます。V2A生成における一般的な問題は、生成されたオーディオがビデオ内の可視アクションとずれることです。これを解決するために、3つの新しい視覚注意メカニズムを探求します。さらに、単一モーダルまたはマルチモーダルタスクで事前学習された複数の視覚エンコーダーを徹底的に評価します。VGGSoundデータセットでの実験結果は、提案されたFoleyGenがすべての客観的指標と人間評価において従来のシステムを上回ることを示しています。
English
Recent advancements in audio generation have been spurred by the evolution of large-scale deep learning models and expansive datasets. However, the task of video-to-audio (V2A) generation continues to be a challenge, principally because of the intricate relationship between the high-dimensional visual and auditory data, and the challenges associated with temporal synchronization. In this study, we introduce FoleyGen, an open-domain V2A generation system built on a language modeling paradigm. FoleyGen leverages an off-the-shelf neural audio codec for bidirectional conversion between waveforms and discrete tokens. The generation of audio tokens is facilitated by a single Transformer model, which is conditioned on visual features extracted from a visual encoder. A prevalent problem in V2A generation is the misalignment of generated audio with the visible actions in the video. To address this, we explore three novel visual attention mechanisms. We further undertake an exhaustive evaluation of multiple visual encoders, each pretrained on either single-modal or multi-modal tasks. The experimental results on VGGSound dataset show that our proposed FoleyGen outperforms previous systems across all objective metrics and human evaluations.
PDF91December 15, 2024