audio-visual-navigation

本文提出了Samba，一种用于音频-视觉导航的混合状态空间架构。它使用Mamba状态编码器（M-SE）替代GRU进行时间聚合，并构建了音频Mamba编码器（AME）以更好地捕捉频谱图中的全局时频依赖关系。在Matterport3D数据集上，导航成功率（SR）相比现有最先进模型提升了11.3%。