复旦发布以人为中心的复杂场景音视频追踪基准

复旦大学CVL实验室发布面向复杂人类中心场景的音视频追踪基准AVTrack，聚焦动态、拥挤、不连续视频中说话人的像素级分割与跨帧身份一致性追踪，涵盖视觉遮挡、相机运动、音视频不一致等8类挑战，论文被ICML 2026接收，数据集与代码已开源。