これまでのAudio-visual localizationでは音源らしい領域を表すアテンションマップ（or 何かしらのヒートマップ）を得て終わる手法がほとんどだった．動画の時系列情報を活かし，（１）アテンションマップから物体ごとの離散的な表現を獲得し（２）その特徴量が複数の後段のタスクで有効であることを示した、点がこの論文の大きな貢献．

（１）話者の定位と追跡，（２）どの人間が話しているかの検出，（３）音源分離（４）揃っていない音と動画の修正，の４タスクで評価．特に，話者（の顔）の定位では従来のAudio-visual自己教師あり手法よりも大幅に性能改善．