論文の概要: BirdSoundsDenoising: Deep Visual Audio Denoising for Bird Sounds

• arxiv url: http://arxiv.org/abs/2210.10196v1
• Date: Tue, 18 Oct 2022 22:37:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 15:49:27.413275
• Title: BirdSoundsDenoising: Deep Visual Audio Denoising for Bird Sounds
• Title（参考訳）: BirdSounds Denoising:バードサウンドのためのディープビジュアルオーディオ
• Authors: Youshan Zhang and Jialu Li
• Abstract要約: 本稿では,まず,映像分割問題に音声復調問題を変換し,より深い視覚的音声復調モデルを提案する。 合計14,120個のオーディオ画像を用いて、オーディオ画像マスクツールを開発し、これらの画像にラベル付けするための数ショットの一般化戦略を提案する。 提案手法は, 音声認識, 音声分離, 音声強調, 雑音推定に容易に応用できる。
• 参考スコア（独自算出の注目度）: 17.27070285878393
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Audio denoising has been explored for decades using both traditional and deep learning-based methods. However, these methods are still limited to either manually added artificial noise or lower denoised audio quality. To overcome these challenges, we collect a large-scale natural noise bird sound dataset. We are the first to transfer the audio denoising problem into an image segmentation problem and propose a deep visual audio denoising (DVAD) model. With a total of 14,120 audio images, we develop an audio ImageMask tool and propose to use a few-shot generalization strategy to label these images. Extensive experimental results demonstrate that the proposed model achieves state-of-the-art performance. We also show that our method can be easily generalized to speech denoising, audio separation, audio enhancement, and noise estimation.
• Abstract（参考訳）: 従来の学習法とディープラーニング法の両方を用いて、何十年にもわたって音声デノイジングが研究されてきた。 しかし、これらの手法は手作業で人工的なノイズを加えるか、音質を低くするかに制限されている。 これらの課題を克服するために,我々は大規模自然騒音鳥音声データセットを収集する。 本稿では,まず,画像分割問題に音声復調問題を変換し,DVAD(Deep visual audio denoising)モデルを提案する。 合計14,120枚のオーディオ画像を用いて,音声画像マスクツールを開発し,これらの画像のラベル付けに数発の一般化戦略を提案する。 実験結果から,提案モデルが最先端性能を実現することを示す。 また,本手法は,音声認識,音声分離,音声強調,雑音推定に容易に適用可能であることを示す。

関連論文リスト

• Image Denoising via Style Disentanglement [9.38519460509602]
  そこで本稿では,鮮明な復調機構と優れた性能を兼ね備えた画像復調手法を提案する。 我々はノイズをイメージスタイルの一種とみなし、クリーンな画像から派生したノイズフリーなスタイルを取り入れて除去する。 合成ノイズ除去と実世界の画像デノゲーションデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-09-26T08:29:33Z)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
  本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。 本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。 実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
  論文  参考訳（メタデータ） (2021-11-29T07:22:53Z)
• Removing Noise from Extracellular Neural Recordings Using Fully Convolutional Denoising Autoencoders [62.997667081978825]
  ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。 シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-09-18T14:51:24Z)
• Adaptive noise imitation for image denoising [58.21456707617451]
  本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。 現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
  論文  参考訳（メタデータ） (2020-11-30T02:49:36Z)
• Noise2Same: Optimizing A Self-Supervised Bound for Image Denoising [54.730707387866076]
  本稿では,新しい自己教師型デノベーションフレームワークであるNoss2Sameを紹介する。 特にノイズ2Sameは、ノイズモデルに関するJ-不変性や余分な情報を必要としない。 以上の結果から,ノイズ2Sameは従来の自己監督型遮音法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2020-10-22T18:12:26Z)
• Enhancing and Learning Denoiser without Clean Reference [23.11994688706024]
  本稿では,ノイズ伝達タスクの特別事例として,ノイズ低減タスクに関する新しいディープイメージデノベーション手法を提案する。 実世界のデノナイジングベンチマークの結果から,提案手法は現実的な雑音を除去する上で有望な性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-09-09T13:15:31Z)
• NoiseBreaker: Gradual Image Denoising Guided by Noise Analysis [5.645552640953684]
  本稿では,画像中の支配雑音を反復的に検出し,調整したデノイザを用いて除去する段階的なデノイズ戦略を提案する。 本手法は, 遭遇した騒音の性質を把握し, 既存の騒音を新しいノイズ特性で拡張することを可能にする。
  論文  参考訳（メタデータ） (2020-02-18T11:09:03Z)
• Handling noise in image deblurring via joint learning [0.3407858371718068]
  多くのブラインドデブロワー法は、ぼやけた画像はノイズのないものと仮定し、ノイズのあるぼやけた画像に対して不満足に処理する。 本稿では,デノイザサブネットワークとデブロワーサブネットワークからなるカスケードフレームワークを提案する。 共同学習は, 脱臭後の残音が脱臭に及ぼす影響を低減し, 重騒音に対する脱臭の堅牢性を向上させる。
  論文  参考訳（メタデータ） (2020-01-27T12:59:52Z)
• Deep Learning on Image Denoising: An overview [92.07378559622889]
  画像認知におけるディープテクニックの比較研究を行っている。 まず、付加的な白色雑音画像に対して、深部畳み込みニューラルネットワーク(CNN)を分類する。 次に、定量的および定性的な分析の観点から、パブリック・デノゲーション・データセットの最先端の手法を比較した。
  論文  参考訳（メタデータ） (2019-12-31T05:03:57Z)

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。