InfoBridge: Balanced Multimodal Integration through Conditional Dependency Modeling

摘要与项目关系

通过条件依赖建模，在跨模态融合和模态独有信息之间取得平衡，避免过强对齐抹掉互补性。

启发是视觉未必需要重复预测音频已明确提供的发声证据，应保留关系/方向信息。不要把所有人脸都强行与同一混合音频对齐为正例。具体 loss 是否适用需要进一步方法核查；当前优先使用清楚的逐人活动和讲话对象监督。