SVGSA24

SVGSA24数据集是由索尼AI和索尼集团创建的音频-视觉数据集，专门用于空间对齐的音频-视频生成研究。该数据集包含5031个视频片段，每个视频时长为5秒，分辨率为256×256，帧率为4fps，音频为立体声，采样率为16 kHz。数据集的内容主要来源于STARSS23数据集，经过转换和筛选，保留了屏幕上的语音和乐器声音事件。创建过程中，数据集通过固定视角将全景视频和FOA音频转换为透视视频和立体声音频，并进行了精细的筛选和处理。SVGSA24数据集主要应用于虚拟现实、世界模拟、机器人感知和导航等领域，旨在解决音频与视频在空间上的对齐问题，提升沉浸式体验的真实感。

The SVGSA24 dataset is an audio-visual dataset developed by Sony AI and Sony Group, specifically tailored for research on spatially aligned audio-visual generation. It comprises 5031 video clips, each with a duration of 5 seconds, a resolution of 256×256, a frame rate of 4 fps, stereo audio tracks, and a sampling rate of 16 kHz. The majority of its content originates from the STARSS23 dataset, which underwent conversion and screening procedures to retain only speech and musical instrument sound events displayed on-screen. During its development, panoramic videos and FOA audio were converted into perspective videos and stereo audio via a fixed viewpoint, followed by meticulous screening and processing. The SVGSA24 dataset is primarily utilized in domains including virtual reality, world simulation, robot perception and navigation, with the goal of addressing the spatial alignment issue between audio and video and enhancing the realism of immersive experiences.

搜集汇总

数据集介绍

构建方式

SVGSA24数据集的构建基于STARSS23数据集，该数据集包含多通道音频、全景视频以及声音事件的时空标注。通过将STARSS23中的全景视频和第一阶Ambisonics音频转换为立体声音频和透视视频，SVGSA24得以生成。具体而言，数据转换过程中，固定视角下的全景视频被转换为透视视频，同时Ambisonics音频被旋转并转换为立体声格式。此外，数据集仅保留了屏幕内的声音事件，确保了音频与视频的空间对齐。最终，数据集被划分为开发集和评估集，分别用于模型训练和性能评估。

特点

SVGSA24数据集的核心特点在于其立体声音频与透视视频的精确空间对齐，这为沉浸式体验和多模态生成模型提供了高质量的训练数据。数据集中的音频以16 kHz采样率提供，视频分辨率为256×256，帧率为4 fps，时长为5秒。此外，数据集中的声音事件主要来自室内环境中的演讲和乐器声音，确保了数据集的多样性和实用性。开发集和评估集的划分进一步保证了数据集在模型训练和评估中的有效性。

使用方法

SVGSA24数据集主要用于训练和评估音频-视频生成模型，特别是那些需要空间对齐的多模态生成模型。开发者可以使用该数据集进行模型的从头训练或微调，以生成具有空间对齐的音频-视频对。此外，数据集还提供了评估指标，如Fréchet视频距离（FVD）、Fréchet音频距离（FAD）以及新的空间音频-视频对齐度量（Spatial AV-Align），这些指标可以帮助研究人员量化生成模型的性能，特别是在音频与视频的空间对齐方面。

背景与挑战

背景概述

随着生成模型在视频生成领域的显著进展，音频与视觉的空间对齐问题逐渐成为研究焦点。现有的多模态生成模型虽然在视频生成方面取得了显著成果，但往往忽视了音频与视觉元素之间的空间对齐，这对于沉浸式体验至关重要。SVGSA24数据集由Sony AI和Sony Group Corporation的研究团队于2024年提出，旨在解决这一问题。该数据集基于STARSS23数据集，通过将全景音频和视频转换为立体音频和透视视频，确保了音频与视觉元素的空间对齐。SVGSA24数据集的创建不仅为空间对齐音频-视频生成提供了基准，还为虚拟现实、世界模拟等应用领域提供了重要的数据支持。

当前挑战

SVGSA24数据集的构建面临多项挑战。首先，从全景音频和视频转换为立体音频和透视视频的过程中，如何确保音频与视觉元素的空间对齐是一个技术难题。其次，数据集的构建需要处理复杂的音频和视频数据，包括多通道音频、视频和时空注释，这要求高效的算法和计算资源。此外，评估生成的音频和视频质量以及它们之间的空间对齐也是一个挑战，需要引入新的评估指标，如空间音频-视觉对齐度量。最后，由于生成的视频分辨率较低，如何通过超分辨率模型提升视频质量也是一个亟待解决的问题。

常用场景

经典使用场景

SVGSA24数据集的经典使用场景主要集中在多模态生成模型的训练与评估上，特别是在音频与视频的空间对齐生成任务中。该数据集通过提供立体音频与透视视频的配对数据，支持模型学习音频与视频之间的空间关系，从而生成具有沉浸感的音视频内容。这一场景在虚拟现实、世界模拟、机器人感知与导航等领域具有广泛的应用潜力。

衍生相关工作

SVGSA24数据集的推出催生了一系列相关研究工作，特别是在多模态生成模型和空间音频处理领域。基于该数据集，研究者们开发了多种音视频联合生成模型，如立体音频-视频扩散模型，并提出了新的评估指标，如空间音频-视频对齐度量。这些工作不仅推动了音视频生成技术的发展，还为未来的多模态学习提供了新的研究方向。

数据集最近研究

最新研究方向

SVGSA24数据集的最新研究方向主要集中在空间对齐的音视频生成领域。随着多模态生成模型的快速发展，尽管视频生成取得了显著进展，但现有模型在音视频的空间对齐方面仍存在不足，这限制了沉浸式体验的实现。SVGSA24数据集通过提供立体音频和透视视频数据，填补了这一研究空白，推动了空间对齐音视频生成（SAVG）的研究。该数据集不仅支持模型训练和评估，还引入了新的评估指标，如空间音视频对齐度量（Spatial AV-Align），以量化音视频之间的空间对齐质量。此外，研究者提出了基于扩散模型的立体音视频生成模型，进一步推动了多模态生成技术的前沿发展，为虚拟现实、世界模拟等应用提供了新的可能性。

相关研究论文

• SAVGBench: Benchmarking Spatially Aligned Audio-Video Generation

  索尼AI, 索尼集团 · 2024年