vivo 与西电提出 StereoBind 立体声生成框架

2026年10月1日，arXiv cs.CV 刊出 StereoBind 论文，提出一种面向沉浸式音视频联合生成的框架：将视觉源运动与立体声音频生成绑定，以提升生成结果中的动态空间对应。据该报道，StereoBind 通过 Visual Motion Binding、Spatial Track Encoder 与 Residual Track RoPE 三种机制，用运动轨迹协调视觉运动与立体声。早先报道未提及研究机构，也未提及数据集、评测指标或与既有方法的对比结果。10月12日，AGI Hunt 报道称，该工作由 vivo BlueImage Lab 与西安电子科技大学提出，旨在解决联合视频-音频生成中被忽视的立体声问题，核心是让声音的感知位置随视觉源运动一致演化，即「动态空间对应」。两篇报道均未给出实验数据或对比结果，暂无进一步进展。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。