論文の概要: One to Multiple Mapping Dual Learning: Learning Multiple Sources from One Mixed Signal

• arxiv url: http://arxiv.org/abs/2110.06568v1
• Date: Wed, 13 Oct 2021 08:34:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-14 23:33:35.304156
• Title: One to Multiple Mapping Dual Learning: Learning Multiple Sources from One Mixed Signal
• Title（参考訳）: 1対複数マッピングデュアルラーニング:1つの混合信号から複数のソースを学習する
• Authors: Ting Liu, Wenwu Wang, Xiaofei Zhang, Zhenyin Gong, and Yina Guo
• Abstract要約: 単一チャネルブラインドソース分離(SCBSS)は、単一センサによって収集された混合信号から複数のソースを分離することを指す。 本稿では,並列二重生成逆数ネットワーク(PDualGAN)を設計し,複数のソースを混合体から分離するアルゴリズムを提案する。 このアルゴリズムは、線形瞬時混合モデルや畳み込み混合モデルのような混合モデルに適用できる。
• 参考スコア（独自算出の注目度）: 38.00036571066844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single channel blind source separation (SCBSS) refers to separate multiple sources from a mixed signal collected by a single sensor. The existing methods for SCBSS mainly focus on separating two sources and have weak generalization performance. To address these problems, an algorithm is proposed in this paper to separate multiple sources from a mixture by designing a parallel dual generative adversarial Network (PDualGAN) that can build the relationship between a mixture and the corresponding multiple sources to realize one-to-multiple cross-domain mapping. This algorithm can be applied to any mixed model such as linear instantaneous mixed model and convolutional mixed model. Besides, one-to-multiple datasets are created which including the mixtures and corresponding sources for this study. The experiment was carried out on four different datasets and tested with signals mixed in different proportions. Experimental results show that the proposed algorithm can achieve high performance in peak signal-to-noise ratio (PSNR) and correlation, which outperforms state-of-the-art algorithms.
• Abstract（参考訳）: 単一チャネルブラインドソース分離(SCBSS)は、単一センサによって収集された混合信号から複数のソースを分離することを指す。 SCBSSの既存の手法は主に2つのソースの分離に重点を置いており、一般化性能は弱い。 これらの問題に対処するために、混合と対応する複数のソースの関係を構築できる並列二重生成逆数ネットワーク(PDualGAN)を設計し、1対複数のクロスドメインマッピングを実現することで、複数のソースを混合から分離するアルゴリズムを提案する。 このアルゴリズムは線形瞬時混合モデルや畳み込み混合モデルといった任意の混合モデルに適用することができる。 さらに、この研究のための混合物と対応するソースを含む1対複数データセットを作成する。 実験は4つの異なるデータセットで行われ、異なる比率の信号でテストされた。 実験結果から,提案アルゴリズムはピーク信号対雑音比(PSNR)と相関性において高い性能を達成でき,最先端のアルゴリズムよりも優れていることがわかった。

関連論文リスト

• A Data-Driven Two-Phase Multi-Split Causal Ensemble Model for Time Series [0.8252665500568257]
  因果推論は、多くの分野における因果関係を発見するための基本的な研究テーマである。 一部のアプローチは線形関係を特定できるだけであり、他のアプローチは非線型性に適用できる。 本稿では,データ駆動型マルチスプリット因果アンサンブルモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-04T14:20:41Z)
• MultiView Independent Component Analysis with Delays [72.19163346293848]
  遅延を用いたマルチビュー独立成分分析(MVICAD)を提案する。 MVICADは、MultiView ICAモデルに基づいて、ソースをいくつかの共有ソースの遅延バージョンとして提供する。 ICAは神経科学でよく用いられるため、大規模脳磁図データセットであるCam-CANに適用した場合、レイテンシーは年齢に関連があることが示されている。
  論文  参考訳（メタデータ） (2023-12-01T10:33:16Z)
• 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)
• Nonparametric Independent Component Analysis for the Sources with Mixed Spectra [0.06445605125467573]
  既存のICAプロシージャの多くは独立したサンプリングを前提としている。 2次統計に基づく音源分離法は, 自己相関源からの混合物のパラメトリック時系列モデルに基づいて開発されている。 本稿では,3次スプラインとインジケータ関数を用いて,音源信号のスペクトル密度関数と線スペクトルを推定し,新しいICA法を提案する。
  論文  参考訳（メタデータ） (2022-12-13T02:13:14Z)
• 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)
• Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
  本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。 我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。 我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
  論文  参考訳（メタデータ） (2022-09-30T15:01:35Z)
• Exploiting Temporal Structures of Cyclostationary Signals for Data-Driven Single-Channel Source Separation [98.95383921866096]
  単一チャネルソース分離(SCSS)の問題点について検討する。 我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。 本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-22T14:04:56Z)
• MuCAN: Multi-Correspondence Aggregation Network for Video Super-Resolution [63.02785017714131]
  ビデオ超解像(VSR)は、複数の低解像度フレームを使用して、各フレームに対して高解像度の予測を生成することを目的としている。 フレーム間およびフレーム内は、時間的および空間的情報を利用するための鍵となるソースである。 VSRのための効果的なマルチ対応アグリゲーションネットワーク(MuCAN)を構築した。
  論文  参考訳（メタデータ） (2020-07-23T05:41:27Z)
• Source Separation with Deep Generative Priors [17.665938343060112]
  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。
  論文  参考訳（メタデータ） (2020-02-19T00:48:19Z)

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。