論文の概要: Lightweight DNN for Full-Band Speech Denoising on Mobile Devices: Exploiting Long and Short Temporal Patterns

• arxiv url: http://arxiv.org/abs/2509.05079v1
• Date: Fri, 05 Sep 2025 13:18:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.595382
• Title: Lightweight DNN for Full-Band Speech Denoising on Mobile Devices: Exploiting Long and Short Temporal Patterns
• Title（参考訳）: モバイルデバイス上でのフルバンド音声のための軽量DNN:長短パターンの爆発
• Authors: Konstantinos Drossos, Mikko Heikkinen, Paschalis Tsiaflakis,
• Abstract要約: フルバンド音声認識のための因果性,低レイテンシ,軽量ディープニューラルネットワーク(DNN)に基づく手法を提案する。 この手法は、ルックバックフレーム、畳み込みカーネルの時間的スパンニング、リカレントニューラルネットワークを用いた、修正されたUNetアーキテクチャに基づいている。 提案手法は,確立された音声認識メトリクスと公開データセットを用いて評価する。
• 参考スコア（独自算出の注目度）: 4.121578819979242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speech denoising (SD) is an important task of many, if not all, modern signal processing chains used in devices and for everyday-life applications. While there are many published and powerful deep neural network (DNN)-based methods for SD, few are optimized for resource-constrained platforms such as mobile devices. Additionally, most DNN-based methods for SD are not focusing on full-band (FB) signals, i.e. having 48 kHz sampling rate, and/or low latency cases. In this paper we present a causal, low latency, and lightweight DNN-based method for full-band SD, leveraging both short and long temporal patterns. The method is based on a modified UNet architecture employing look-back frames, temporal spanning of convolutional kernels, and recurrent neural networks for exploiting short and long temporal patterns in the signal and estimated denoising mask. The DNN operates on a causal frame-by-frame basis taking as an input the STFT magnitude, utilizes inverted bottlenecks inspired by MobileNet, employs causal instance normalization for channel-wise normalization, and achieves a real-time factor below 0.02 when deployed on a modern mobile phone. The proposed method is evaluated using established speech denoising metrics and publicly available datasets, demonstrating its effectiveness in achieving an (SI-)SDR value that outperforms existing FB and low latency SD methods.
• Abstract（参考訳）: 音声復調(SD)は、デバイスや日常的な用途で使われる現代の信号処理チェーンの多くにとって重要な課題である。 SDのための多くの公開され強力なディープニューラルネットワーク(DNN)ベースの方法があるが、モバイルデバイスのようなリソース制約のあるプラットフォームに最適化されているものはほとんどない。 さらに、SDのためのほとんどのDNNベースの手法は、フルバンド(FB)信号(48kHzサンプリングレートまたは/または低レイテンシケース)に重点を置いていない。 本稿では,短周期パターンと長周期パターンを併用した,フルバンドSDのための因果的,低レイテンシ,軽量DNNベースの手法を提案する。 この手法は、ルックバックフレーム、畳み込みカーネルの時間的スパンニング、および信号の短周期パターンと長周期パターンと推定デノナイジングマスクを利用するリカレントニューラルネットワークを用いた、修正されたUNetアーキテクチャに基づいている。 DNNは、STFT桁の入力として因果フレーム単位で動作し、MobileNetにインスパイアされた逆ボトルネックを利用し、チャネルワイドの正規化に因果インスタンス正規化を採用し、現代の携帯電話にデプロイすると0.02以下のリアルタイム係数を達成する。 提案手法は,既存のFB法や低遅延SD法よりも優れた(SI-)SDR値を実現する上での有効性を示す。

関連論文リスト

• Low-power SNN-based audio source localisation using a Hilbert Transform spike encoding scheme [4.49657690895714]
  音源の定位は、個々の話者から音声を分離し、ノイズを除去するために、多くの消費者デバイスで使われている。 広帯域オーディオから狭帯域信号成分を得るには、高密度帯域通過フィルタが必要であることが多い。 超低消費電力スパイキングニューラルネットワーク(SNN)の効率的な実装を目的とした任意のマイクロホンアレイ上の音源定位手法を実証する。 提案手法は,従来の非SNN超解像ビームフォーミングに匹敵する,SNN法における最先端の精度を実現する。
  論文  参考訳（メタデータ） (2024-02-19T00:21:13Z)
• Short-Term Memory Convolutions [0.0]
  本稿では,STMC(Short-Term Memory Convolution)と呼ばれる,推論時間レイテンシとメモリ消費の最小化手法を提案する。 STMCベースのモデルのトレーニングは、畳み込みニューラルネットワーク(CNN)のみに基づくため、より速く、より安定している。 音声分離では, 出力品質に影響を与えることなく, 5倍の推論時間短縮と2倍の遅延低減を実現した。
  論文  参考訳（メタデータ） (2023-02-08T20:52:24Z)
• Lightweight network towards real-time image denoising on mobile devices [26.130379174715742]
  深層畳み込みニューラルネットワークは、画像復調タスクにおいて大きな進歩を遂げている。 複雑なアーキテクチャと計算コストにより、モバイルデバイスへのデプロイが妨げられる。 モバイルフレンドリーなデノベーションネットワークであるMFDNetを提案する。
  論文  参考訳（メタデータ） (2022-11-09T05:19:26Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• Joint Superposition Coding and Training for Federated Learning over Multi-Width Neural Networks [52.93232352968347]
  本稿では,2つの相乗的技術,フェデレートラーニング(FL)と幅調整可能なスリムブルニューラルネットワーク(SNN)を統合することを目的とする。 FLは、ローカルに訓練されたモバイルデバイスのモデルを交換することによって、データのプライバシを保護している。しかしながら、SNNは、特に時間変化のあるチャネル条件との無線接続下では、非自明である。 局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
  論文  参考訳（メタデータ） (2021-12-05T11:17:17Z)
• Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
  本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。 我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2021-10-22T20:49:02Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• Alignment Restricted Streaming Recurrent Neural Network Transducer [29.218353627837214]
  本稿では、RNN-T損失関数の修正とアライメント制限付きRNN-Tモデルの開発について述べる。 Ar-RNN-T損失は、トークン放出遅延とワードエラーレート(WER)の間のトレードオフをナビゲートする洗練された制御を提供する。 Ar-RNN-Tモデルは、任意の遅延範囲内でトークンの放出を保証することにより、ASRエンドポイントのような下流アプリケーションを改善する。
  論文  参考訳（メタデータ） (2020-11-05T19:38:54Z)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)

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。