論文の概要: A Comprehensive Real-World Assessment of Audio Watermarking Algorithms: Will They Survive Neural Codecs?

• arxiv url: http://arxiv.org/abs/2505.19663v2
• Date: Wed, 28 May 2025 06:20:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 12:33:41.748606
• Title: A Comprehensive Real-World Assessment of Audio Watermarking Algorithms: Will They Survive Neural Codecs?
• Title（参考訳）: 音響透かしアルゴリズムの総合的実世界評価:それらはニューラルコーデックを救えるか?
• Authors: Yigitcan Özer, Woosung Choi, Joan Serrà, Mayank Kumar Singh, Wei-Hsiang Liao, Yuki Mitsufuji,
• Abstract要約: RAW-Benchは、ディープラーニングベースのオーディオ透かし手法を評価するためのベンチマークである。 圧縮,背景雑音,残響などの様々な歪みを伴う包括的オーディオアタックパイプラインを導入する。 極性インバージョン、時間伸張、あるいはリバーブのような特定の歪みが、特定の方法に深刻な影響を及ぼすことがわかった。
• 参考スコア（独自算出の注目度）: 21.111812193733982
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce the Robust Audio Watermarking Benchmark (RAW-Bench), a benchmark for evaluating deep learning-based audio watermarking methods with standardized and systematic comparisons. To simulate real-world usage, we introduce a comprehensive audio attack pipeline with various distortions such as compression, background noise, and reverberation, along with a diverse test dataset including speech, environmental sounds, and music recordings. Evaluating four existing watermarking methods on RAW-bench reveals two main insights: (i) neural compression techniques pose the most significant challenge, even when algorithms are trained with such compressions; and (ii) training with audio attacks generally improves robustness, although it is insufficient in some cases. Furthermore, we find that specific distortions, such as polarity inversion, time stretching, or reverb, seriously affect certain methods. The evaluation framework is accessible at github.com/SonyResearch/raw_bench.
• Abstract（参考訳）: 本稿では,ディープラーニングに基づく音声透かし手法を標準化および体系的な比較で評価するためのベンチマークであるRobust Audio Watermarking Benchmark (RAW-Bench)を紹介する。 実世界での使用をシミュレートするために、圧縮、背景雑音、残響などの様々な歪みを伴う包括的音声攻撃パイプラインと、音声、環境音、音楽録音を含む多様なテストデータセットを導入する。 RAW-bench上の4つの既存の透かし方法を評価すると、2つの主要な洞察が浮かび上がる。 (i)ニューラル圧縮技術は、アルゴリズムがそのような圧縮で訓練されている場合でも、最も重要な課題となる。 (ii) 音声攻撃による訓練は, 多くの場合, 強靭性が向上するが, 場合によっては不十分である。 さらに, 極性反転, 時間伸張, 逆流などの特定の歪みが, 特定の手法に深刻な影響を及ぼすことがわかった。 評価フレームワークはgithub.com/SonyResearch/raw_benchで利用できる。

関連論文リスト

• Measuring the Robustness of Audio Deepfake Detectors [59.09338266364506]
  この研究は、16の一般的な汚職に対する10のオーディオディープフェイク検出モデルの頑健さを体系的に評価する。 従来のディープラーニングモデルと最先端の基礎モデルの両方を用いて、4つのユニークな観察を行う。
  論文  参考訳（メタデータ） (2025-03-21T23:21:17Z)
• Where are we in audio deepfake detection? A systematic analysis over generative and detection models [59.09338266364506]
  SONARはAI-Audio Detection FrameworkとBenchmarkの合成である。 最先端のAI合成聴覚コンテンツを識別するための総合的な評価を提供する。 従来のモデルベース検出システムと基礎モデルベース検出システムの両方で、AIオーディオ検出を均一にベンチマークする最初のフレームワークである。
  論文  参考訳（メタデータ） (2024-10-06T01:03:42Z)
• IDEAW: Robust Neural Audio Watermarking with Invertible Dual-Embedding [29.89341878606415]
  本稿では,効率的な位置決めのための二重埋め込み型透かしモデルの設計を行う。 実験により、提案モデルであるIDEAWは、既存の手法と比較して、高いキャパシティとより効率的な位置決め能力を持つ様々な攻撃に耐えられることが示された。
  論文  参考訳（メタデータ） (2024-09-29T09:32:54Z)
• An Integrated Algorithm for Robust and Imperceptible Audio Adversarial Examples [2.2866551516539726]
  実効性のある音声ファイルが生成され、認識性や頑健性に関して微調整される。 本稿では,心理音響モデルと室内インパルス応答(RIR)を用いた統合アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-05T06:59:09Z)
• AdVerb: Visually Guided Audio Dereverberation [49.958724234969445]
  本稿では,新しいオーディオ・ビジュアル・デバーベレーション・フレームワークであるAdVerbを紹介する。 残響音に加えて視覚的手がかりを用いてクリーンオーディオを推定する。
  論文  参考訳（メタデータ） (2023-08-23T18:20:59Z)
• Do You Remember? Overcoming Catastrophic Forgetting for Fake Audio Detection [54.20974251478516]
  本稿では,破滅的な忘れを克服するために,偽音声検出のための連続学習アルゴリズムを提案する。 検出ネットワークを微調整する場合,本手法では,真の発話と偽発話の比率に応じて,重み付けの方向を適応的に計算する。 本手法は,音声の感情認識などの関連分野に容易に一般化できる。
  論文  参考訳（メタデータ） (2023-08-07T05:05:49Z)
• Self-Supervised Visual Acoustic Matching [63.492168778869726]
  音響マッチングは、ターゲットの音響環境に録音されたかのように、音声クリップを再合成することを目的としている。 そこで本研究では,対象のシーン画像と音声のみを含む,視覚的音響マッチングのための自己教師型アプローチを提案する。 提案手法は,条件付きGANフレームワークと新しいメトリクスを用いて,室内音響をアンタングル化し,音をターゲット環境に再合成する方法を共同で学習する。
  論文  参考訳（メタデータ） (2023-07-27T17:59:59Z)
• Anomalous Sound Detection using Audio Representation with Machine ID based Contrastive Learning Pretraining [52.191658157204856]
  コントラスト学習を用いて、各音声サンプルではなく、各機械IDの音声表現を洗練する。 提案手法では、コントラスト学習を用いて音声表現モデルを事前学習する。 実験の結果,本手法はコントラスト学習や自己教師型分類を用いて最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-07T11:08:31Z)
• Defending against Adversarial Audio via Diffusion Model [18.792523775685456]
  対向音の例は、音響システムに異常な振る舞いを引き起こす可能性がある。 近年,商業音響システムにおいて深層学習モデルが広く用いられている。 市販拡散モデルを用いた音響システムのための対向浄化型ディフェンスパイプラインAudioPureを提案する。
  論文  参考訳（メタデータ） (2023-03-02T07:15:47Z)
• High Fidelity Neural Audio Compression [92.4812002532009]
  我々は、ニューラルネットワークを利用した最先端のリアルタイム、高忠実、オーディオを導入する。 ストリーミングエンコーダ-デコーダアーキテクチャと、エンドツーエンドでトレーニングされた量子化潜在空間で構成されている。 単一マルチスケール・スペクトログラム・アドバイザリーを用いて、トレーニングを簡素化し、高速化する。
  論文  参考訳（メタデータ） (2022-10-24T17:52:02Z)
• Robust Time Series Denoising with Learnable Wavelet Packet Transform [1.370633147306388]
  多くのアプリケーションでは、後の分析や学習タスクの前に、信号の復号化が最初の前処理ステップであることが多い。 本稿では,ウェーブレットパケット変換の学習可能なバージョンである信号処理にインスパイアされたディープ・ラーニング・デノイング・モデルを適用することを提案する。 本稿では,提案アルゴリズムが信号処理手法の普遍性とディープラーニング手法の学習能力にどのように関係しているかを示す。
  論文  参考訳（メタデータ） (2022-06-13T13:05:58Z)
• VocBench: A Neural Vocoder Benchmark for Speech Synthesis [36.94062576597112]
  本稿では,最先端のニューラルボコーダの性能をベンチマークするフレームワークであるVocBenchを紹介する。 VocBenchは、共有環境で異なる神経ボコーダを評価するために、体系的な研究を使用している。 以上の結果から, このフレームワークは, 各ボコーダに対して, 合成試料の競争効率と品質を示すことができることがわかった。
  論文  参考訳（メタデータ） (2021-12-06T15:09:57Z)
• Self-Guided Quantum State Learning for Mixed States [7.270980742378388]
  我々のアルゴリズムの健全な特徴は、非忠実次元$d$状態における効率的な$O left(d3 right)$後処理である。 測定ノイズに対する高いレジリエンスは、ノイズの多い中間スケール量子アプリケーションに我々のアルゴリズムを適合させる。
  論文  参考訳（メタデータ） (2021-06-11T04:40:26Z)
• Dynamic Layer Customization for Noise Robust Speech Emotion Recognition in Heterogeneous Condition Training [16.807298318504156]
  ノイズ条件毎に,サンプルを特殊特徴エンコーダに動的にルーティングすることで,性能を向上できることを示す。 時間的順序付けを動的にルーティングすることで,これらの改善をマルチモーダル設定に拡張する。
  論文  参考訳（メタデータ） (2020-10-21T18:07:32Z)
• A black-box adversarial attack for poisoning clustering [78.19784577498031]
  本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。 我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-09T18:19:31Z)

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。