論文の概要: Source Separation with Deep Generative Priors

• arxiv url: http://arxiv.org/abs/2002.07942v2
• Date: Mon, 21 Sep 2020 17:19:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 12:58:55.713122
• Title: Source Separation with Deep Generative Priors
• Title（参考訳）: 深部生成前駆体を用いたソース分離
• Authors: Vivek Jayaram, John Thickstun
• Abstract要約: 混合音源の成分に対する先行モデルとして生成モデルを用い、混合音源の後方分布からノイズアニールランゲインダイナミクスをサンプリングした。 これにより、ソース分離問題と生成モデルとの分離問題を分離し、最先端の生成モデルを先行として直接使用することが可能となる。 本手法は,MNIST桁分離のための最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 17.665938343060112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite substantial progress in signal source separation, results for richly structured data continue to contain perceptible artifacts. In contrast, recent deep generative models can produce authentic samples in a variety of domains that are indistinguishable from samples of the data distribution. This paper introduces a Bayesian approach to source separation that uses generative models as priors over the components of a mixture of sources, and noise-annealed Langevin dynamics to sample from the posterior distribution of sources given a mixture. This decouples the source separation problem from generative modeling, enabling us to directly use cutting-edge generative models as priors. The method achieves state-of-the-art performance for MNIST digit separation. We introduce new methodology for evaluating separation quality on richer datasets, providing quantitative evaluation of separation results on CIFAR-10. We also provide qualitative results on LSUN.
• Abstract（参考訳）: 信号源分離の大幅な進歩にもかかわらず、リッチな構造化データの結果は認識可能なアーティファクトを含んでいる。 対照的に、最近の深層生成モデルでは、データ分布のサンプルと区別できないさまざまなドメインで本物のサンプルを生成することができる。 本稿では,音源の混合成分の先行として生成モデルを用いた音源分離のベイズ的アプローチと,混合した音源の後方分布からサンプルを得るためのノイズアニードランジュバンダイナミクスを提案する。 これにより、ソース分離問題を生成モデルから分離し、最先端生成モデルを事前として直接使用することが可能になります。 MNIST桁分離のための最先端性能を実現する。 我々は、よりリッチなデータセットにおける分離品質を評価するための新しい手法を導入し、CIFAR-10における分離結果の定量的評価を行う。 LSUNに関する定性的な結果も提供する。

関連論文リスト

• Score-based generative diffusion with "active" correlated noise sources [38.32962448223814]
  拡散モデルは、データセットの基盤となる分布を近似することで、堅牢な生成特性を示す。 本研究では, 時間的相関を持つノイズ源を用いてデータの破壊を行う場合, 生成性能を変調する方法について検討する。
  論文  参考訳（メタデータ） (2024-11-11T18:51:08Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
  高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。 EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。 本研究では,協調拡散回復可能性 (CDRL) を提案する。
  論文  参考訳（メタデータ） (2023-09-10T22:05:24Z)
• Improving Out-of-Distribution Robustness of Classifiers via Generative Interpolation [56.620403243640396]
  ディープニューラルネットワークは、独立かつ同一に分散されたデータ(すなわち、d)から学習する上で、優れたパフォーマンスを達成する。 しかし、アウト・オブ・ディストリビューション(OoD)データを扱う場合、その性能は著しく低下する。 多様なOoDサンプルを合成するために,複数のドメインから学習した生成モデルを融合するための生成補間法(Generative Interpolation)を開発した。
  論文  参考訳（メタデータ） (2023-07-23T03:53:53Z)
• Score-based Source Separation with Applications to Digital Communication Signals [72.6570125649502]
  拡散モデルを用いた重畳音源の分離手法を提案する。 高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。 提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
  論文  参考訳（メタデータ） (2023-06-26T04:12:40Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Distribution Preserving Source Separation With Time Frequency Predictive Models [2.4201849657206496]
  本稿では,最先端手法の知覚的欠点に対処することを目的とした分布保存源分離手法の例を示す。 分離した信号はそれぞれの音源分布に従い、分離結果を聴取テストで評価した場合に有利となる。
  論文  参考訳（メタデータ） (2023-03-10T13:05:30Z)
• Multi-Source Diffusion Models for Simultaneous Music Generation and Separation [17.124189082882395]
  私たちは、音楽ソース分離のための標準データセットであるSlakh2100でモデルをトレーニングします。 我々の手法は、生成タスクと分離タスクの両方を処理できる単一のモデルの最初の例である。
  論文  参考訳（メタデータ） (2023-02-04T23:18:36Z)
• Diffusion-based Generative Speech Source Separation [27.928990101986862]
  微分方程式(SDE)のスコアマッチングに基づく新しい単一チャネルソース分離法であるDiffSepを提案する。 WSJ0 2mixデータセットの実験では、メソッドの可能性が示されています。 この手法は音声強調にも適しており,VoiceBank-DEMANDデータセットの先行処理と競合する性能を示す。
  論文  参考訳（メタデータ） (2022-10-31T13:46:55Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。