論文の概要: Modeling Analog Dynamic Range Compressors using Deep Learning and State-space Models
- arxiv url: http://arxiv.org/abs/2403.16331v1
- Date: Sun, 24 Mar 2024 23:50:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-26 16:26:58.805436
- Title: Modeling Analog Dynamic Range Compressors using Deep Learning and State-space Models
- Title（参考訳）: ディープラーニングと状態空間モデルを用いたアナログダイナミックレンジ圧縮機のモデリング
- Authors: Hanzhi Yin, Gang Cheng, Christian J. Steinmetz, Ruibin Yuan, Richard M. Stern, Roger B. Dannenberg,
- Abstract要約: 本稿では,デジタルオーディオ制作のためのダイナミックレンジ圧縮機のリアルなディジタルモデルを開発するための新しいアプローチについて述べる。
提案手法は、状態空間モデル(SSM)を実装した構造化状態空間列モデル(S4)に基づいており、長距離依存の学習に有効であることが証明されている。
本稿では,Teletronix LA-2Aアナログダイナミックレンジ圧縮機をモデル化するために,S4層を用いたディープラーニングモデルを提案する。
- 参考スコア（独自算出の注目度）: 7.719370741122579
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We describe a novel approach for developing realistic digital models of dynamic range compressors for digital audio production by analyzing their analog prototypes. While realistic digital dynamic compressors are potentially useful for many applications, the design process is challenging because the compressors operate nonlinearly over long time scales. Our approach is based on the structured state space sequence model (S4), as implementing the state-space model (SSM) has proven to be efficient at learning long-range dependencies and is promising for modeling dynamic range compressors. We present in this paper a deep learning model with S4 layers to model the Teletronix LA-2A analog dynamic range compressor. The model is causal, executes efficiently in real time, and achieves roughly the same quality as previous deep-learning models but with fewer parameters.
- Abstract（参考訳）: 本稿では,デジタルオーディオ制作のための動的レンジ圧縮機のリアルなディジタルモデルを開発するための新しい手法について述べる。
リアルなデジタルダイナミック圧縮機は多くの用途で有用であるが, 長期にわたって非線形に動作するため, 設計プロセスは困難である。
提案手法は,状態空間モデル(SSM)を実装した構造化状態空間列モデル(S4)に基づいており,長距離依存の学習に有効であることが証明されており,ダイナミックレンジ圧縮機のモデリングに有効である。
本稿では,Teletronix LA-2Aアナログダイナミックレンジ圧縮機をモデル化するために,S4層を用いたディープラーニングモデルを提案する。
モデルは因果的であり、効率よくリアルタイムで実行し、従来のディープラーニングモデルとほぼ同じ品質を達成しているが、パラメータは少ない。
関連論文リスト
- ARLON: Boosting Diffusion Transformers with Autoregressive Models for Long Video Generation [83.62931466231898]
本稿では,長期ビデオ生成のための自己回帰モデルを用いた拡散変換器を高速化するフレームワークARLONを提案する。
潜在ベクトル量子変分オートコーダ(VQ-VAE)は、DiTモデルの入力潜時空間をコンパクトなビジュアルトークンに圧縮する。
適応ノルムベースのセマンティックインジェクションモジュールは、ARモデルから粗い離散視覚ユニットをDiTモデルに統合する。
論文 参考訳（メタデータ） (2024-10-27T16:28:28Z) - Modeling Time-Variant Responses of Optical Compressors with Selective State Space Models [0.0]
本稿では,Selective State Spaceモデルを用いたディープニューラルネットワークを用いた光学ダイナミックレンジ圧縮機のモデル化手法を提案する。
ネットワークを動的に調整するために、機能ワイドリニア変調とゲート付きリニアユニットを統合した洗練された技術が特徴である。
提案アーキテクチャは、ライブオーディオ処理において重要な低レイテンシおよびリアルタイムアプリケーションに適している。
論文 参考訳（メタデータ） (2024-08-22T17:03:08Z) - Mamba-FSCIL: Dynamic Adaptation with Selective State Space Model for Few-Shot Class-Incremental Learning [113.89327264634984]
FSCIL(Few-shot class-incremental Learning)は、最小限のトレーニングサンプルを持つモデルに新しいクラスを統合するという課題に直面している。
従来の手法では、固定パラメータ空間に依存する静的適応を広く採用し、逐次到着するデータから学習する。
本稿では、動的適応のための中間特徴に基づいてプロジェクションパラメータを動的に調整する2つの選択型SSMプロジェクタを提案する。
論文 参考訳（メタデータ） (2024-07-08T17:09:39Z) - Comparative Study of State-based Neural Networks for Virtual Analog Audio Effects Modeling [0.0]
本稿では,仮想アナログモデリングにおける機械学習の応用について考察する。
我々は、ステートスペースモデルと線形リカレントユニットを、より一般的なLong Short-Term Memoryネットワークと比較する。
論文 参考訳（メタデータ） (2024-05-07T08:47:40Z) - Combining Thermodynamics-based Model of the Centrifugal Compressors and
Active Machine Learning for Enhanced Industrial Design Optimization [1.393251976777607]
本稿では,熱力学に基づく圧縮機モデルとガウス過程に基づくサロゲートモデルを組み合わせたActive-CompDesignフレームワークを提案する。
サンプルの不確実性に基づく問合せ機能を活用することにより,サロゲートモデルの性能が大幅に向上することを示す。
本研究では, 内部熱力学に基づくシミュレータよりも圧縮機設計最適化の計算時間を約46%に短縮した。
論文 参考訳（メタデータ） (2023-09-06T08:06:15Z) - Multi-stage Progressive Compression of Conformer Transducer for
On-device Speech Recognition [7.450574974954803]
スマートデバイスにおける小さなメモリ帯域幅は、より小さな自動音声認識(ASR)モデルの開発を促す。
知識蒸留(KD)は、より小さなモデルサイズを達成するための一般的なモデル圧縮手法である。
KDを用いてコンバータトランスデューサモデルを圧縮する多段階プログレッシブアプローチを提案する。
論文 参考訳（メタデータ） (2022-10-01T02:23:00Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳（メタデータ） (2022-04-09T22:07:34Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳（メタデータ） (2022-03-15T09:38:15Z) - Dynamic Model Pruning with Feedback [64.019079257231]
余分なオーバーヘッドを伴わずにスパーストレーニングモデルを生成する新しいモデル圧縮法を提案する。
CIFAR-10 と ImageNet を用いて本手法の評価を行い,得られたスパースモデルが高密度モデルの最先端性能に到達可能であることを示す。
論文 参考訳（メタデータ） (2020-06-12T15:07:08Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z)
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。