中国人民大学、北京郵電大学、上海AI Labなどの機関からなる研究チームが開発したRef-AVS技術は、人工知能が複雑な物理世界を理解するという課題に取り組んでいます。この技術は独自のマルチモーダル融合手法を用いて、ビデオオブジェクトセグメンテーション（VOS）、ビデオオブジェクト参照セグメンテーション（Ref-VOS）、および視覚聴覚セグメンテーション（AVS）情報を統合することで、AIシステムが音声の有無に関わらず、視覚聴覚シーン内の特定の物体を正確に識別・特定することを可能にします。技術の有効性を検証するため、研究チームは…