AVID (Audio-Visual Instance Discrimination)タスクの新たな手法を提案し，複数のデータセットでSOTAな精度を達成。音声信号から動作の開始・結末などの特徴が抽出しやすい傾向がある。この研究で、Contrastive learningをAudio-VideoのCross-modalタスクに導入し、Self-supervisedな手法を提案し、高い性能を実現。