論文の概要: Online neural fusion of distortionless differential beamformers for robust speech enhancement

• arxiv url: http://arxiv.org/abs/2510.24497v1
• Date: Tue, 28 Oct 2025 15:12:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:37.242838
• Title: Online neural fusion of distortionless differential beamformers for robust speech enhancement
• Title（参考訳）: 頑健な音声強調のための歪みのないディファレンシャルビームフォーマのオンライン神経融合
• Authors: Yuanhang Qian, Kunlong Zhao, Jilu Jin, Xueqin Luo, Gongping Huang, Jingdong Chen, Jacob Benesty,
• Abstract要約: 適応凸結合(ACC)アルゴリズムを導入し、複数の固定ビームフォーマの出力を線形に結合してロバスト性を向上させる。 ACCは、急激な変更を確実に追跡できないため、高速に動く干渉など、非常に非定常的なシナリオで失敗することが多い。 本稿では,複数の歪みのないディファレンシャルビームフォーマのためのフレームオンラインニューラルフュージョンフレームワークを提案し,ニューラルネットワークによる重み付けを推定する。
• 参考スコア（独自算出の注目度）: 50.063071950377086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fixed beamforming is widely used in practice since it does not depend on the estimation of noise statistics and provides relatively stable performance. However, a single beamformer cannot adapt to varying acoustic conditions, which limits its interference suppression capability. To address this, adaptive convex combination (ACC) algorithms have been introduced, where the outputs of multiple fixed beamformers are linearly combined to improve robustness. Nevertheless, ACC often fails in highly non-stationary scenarios, such as rapidly moving interference, since its adaptive updates cannot reliably track rapid changes. To overcome this limitation, we propose a frame-online neural fusion framework for multiple distortionless differential beamformers, which estimates the combination weights through a neural network. Compared with conventional ACC, the proposed method adapts more effectively to dynamic acoustic environments, achieving stronger interference suppression while maintaining the distortionless constraint.
• Abstract（参考訳）: 固定ビームフォーミングは、ノイズ統計量の推定に依存せず、比較的安定した性能を提供するため、実際に広く用いられている。 しかし、単一ビームフォーマは様々な音響条件に適応できないため、干渉抑制能力は制限される。 これを解決するために、適応凸結合(ACC)アルゴリズムが導入され、複数の固定ビームフォーマの出力を線形に結合してロバスト性を向上させる。 それでもACCは、急激な変更を確実に追跡できないため、高速に進行する干渉など、非常に非定常的なシナリオで失敗することが多い。 この制限を克服するために、ニューラルネットワークによる重み付けを推定する、複数の歪みのないディファレンシャルビームフォーマのためのフレームオンライン神経融合フレームワークを提案する。 従来のACCと比較して,提案手法は動的音響環境に適応し,歪みのない制約を維持しつつ強い干渉抑制を実現する。

関連論文リスト

• BADiff: Bandwidth Adaptive Diffusion Model [55.10134744772338]
  従来の拡散モデルは、下流の伝送制限によらず、一定数のデノナイジングステップを実行することで、高忠実度画像を生成する。 実際のクラウド・ツー・デバイス・シナリオでは、帯域幅の制限はしばしば重い圧縮を必要とし、微妙なテクスチャや無駄な計算が失われる。 使用可能な帯域幅から導かれる目標品質レベルに拡散モデルを条件付けする,共同エンドツーエンドのトレーニング戦略を導入する。
  論文  参考訳（メタデータ） (2025-10-24T11:50:03Z)
• Adaptive Nonlinear Vector Autoregression: Robust Forecasting for Noisy Chaotic Time Series [0.0]
  ベクトル自己回帰と貯水池計算は カオス力学系の予測において 有望であることを示している 遅延埋め込み線形入力と浅い学習可能な多層パーセプトロンによって生成される特徴を組み合わせた適応的Nモデルを提案する。
  論文  参考訳（メタデータ） (2025-07-11T16:40:10Z)
• Diffusion-Based Limited-Angle CT Reconstruction under Noisy Conditions [10.287171164361608]
  角投影の欠如は、再構成された画像の不完全なシノグラムやアーティファクトに繋がる。 本稿では, 平均回帰微分方程式(MR-SDE)を用いて, 角ビューの欠落を解消する拡散型フレームワークを提案する。 現実的な雑音下でのロバスト性を改善するために,推論時間不確実性を明示的にモデル化する新しいノイズ認識機構を提案する。
  論文  参考訳（メタデータ） (2025-07-08T03:58:52Z)
• A TRPCA-Inspired Deep Unfolding Network for Hyperspectral Image Denoising via Thresholded t-SVD and Top-K Sparse Transformer [20.17660504535571]
  本稿では,低ランクとスパースという2つの密に統合されたモジュール間のステージワイドな交互化を実現する新しいディープ展開ネットワーク(DU-TRPCA)を提案する。 合成および実世界のHSIの実験により、DU-TRPCAは高密度混合雑音下で最先端の手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-06-03T02:01:39Z)
• Layered KIK quantum error mitigation for dynamic circuits and error correction [0.0]
  量子エラー低減は、量子コンピューティング実験の信頼性を高めるために不可欠である。 適応型KIK誤差低減法は,ノイズパラメータの時間縮退に対するレジリエンスなどの大きな利点を示した。 しかし、その大域的な雑音増幅への依存は、中間回路測定との非互換性のような制限をもたらす。 付加的なオーバーヘッドや実験的複雑さを伴わずにこれらの課題を克服する層ベースノイズ増幅手法を提案する。
  論文  参考訳（メタデータ） (2025-04-16T19:47:11Z)
• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• HarmonICA: Neural non-stationarity correction and source separation for motor neuron interfaces [37.0279893661798]
  本研究では、教師なし学習アルゴリズムを用いて、信号非定常性を駆動する潜在過程の効果を盲目的に補正する潜在的な解決策を提案する。 提案した設計であるHarmonICAは、非線形ICAの識別可能性問題を脇に置いている。 模擬・実の両方の侵襲的・非侵襲的記録に対してHarmonICAを試験した。
  論文  参考訳（メタデータ） (2024-06-28T00:08:13Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• Reliable Beamforming at Terahertz Bands: Are Causal Representations the Way Forward? [85.06664206117088]
  マルチユーザ無線システムは、テラヘルツ帯域と大量のアンテナを利用することで、メタバース要件を満たすことができる。 既存の解にはチャネル力学の適切なモデリングが欠如しており、その結果、高流動シナリオにおける不正確なビームフォーミング解が生じる。 ここでは、変分因果推論における新しい人工知能アルゴリズムを利用して、動的で意味論的に認識されたビームフォーミングソリューションを初めて提案する。
  論文  参考訳（メタデータ） (2023-03-14T16:02:46Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)

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。