Fugu-MT 論文翻訳(概要): Encoding and Decoding Temporal Signals with Spiking Bandpass Wavelets

論文の概要: Encoding and Decoding Temporal Signals with Spiking Bandpass Wavelets

arxiv url: http://arxiv.org/abs/2605.09770v1
Date: Sun, 10 May 2026 21:32:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-12 23:28:50.411283
Title: Encoding and Decoding Temporal Signals with Spiking Bandpass Wavelets
Title（参考訳）: スパイキングバンドパスウェーブレットを用いたテンポラル信号の符号化と復号
Authors: Jens Egholm Pedersen, Tony Lindeberg, Peter Gerstoft,
Abstract要約: 我々はスパイクエンコーダを定量的な帯域幅と再構成誤差境界を持つ時間カジュアルウェーブレットフレームとして再放送する。本稿では,連続ウェーブレット変換に匹敵する正規化RMSEを実現するため,ECGとオーディオデータセットの再構成を実証する。
参考スコア（独自算出の注目度）: 27.326806758811045
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Spike-based encodings are sparse and energy-efficient, but have largely been formulated probabilistically, disconnected from most signal processing literature. We recast spike encoders as time-causal wavelet frames with quantitative bandwidths and reconstruction error bounds. The proposed wavelets preserve the sparsity and locality of spiking representations, with reconstruction up to spike quantization and time discretization. We demonstrate reconstruction on ECG and audio datasets, achieving a normalized RMSE comparable to continuous wavelet transforms. The spiking wavelets map directly to neuromorphic hardware.
Abstract（参考訳）: スパイクベースの符号化はスパースでエネルギー効率が良いが、確率論的にはほとんどの信号処理文献とは切り離されている。我々はスパイクエンコーダを定量的な帯域幅と再構成誤差境界を持つ時間カジュアルウェーブレットフレームとして再放送する。提案するウェーブレットは、スパイク量子化と時間離散化の再構成により、スパイク表現の空間性と局所性を保っている。本稿では,連続ウェーブレット変換に匹敵する正規化RMSEを実現するため,ECGとオーディオデータセットの再構成を実証する。スパイキングウェーブレットは、ニューロモルフィックハードウェアに直接マップする。

関連論文リスト

Toward Complex-Valued Neural Networks for Waveform Generation [49.128847336227636]
我々は、生成器と識別器がネイティブな複素算術を使用する複素数値ニューラルボコーダであるComVoを提案する。実験により,ComVoは実数値ベースラインよりも高い品質を実現し,ブロック行列方式によりトレーニング時間を25%短縮した。
論文参考訳（メタデータ） (2026-03-12T06:24:11Z)
Latent-Mark: An Audio Watermark Robust to Neural Resynthesis [62.09761127079914]
Latent-Markはセマンティック圧縮に耐えられるように設計された最初のゼロビットオーディオ透かしフレームワークである。私たちの重要な洞察は、エンコード-デコードプロセスに対する堅牢性は、不変の潜在空間に透かしを埋め込む必要があるということです。我々の研究は、ますます複雑で多様な生成歪みをまたいで整合性を維持することができる普遍的な透かしフレームワークに、将来の研究をインスピレーションを与えます。
論文参考訳（メタデータ） (2026-03-05T15:51:09Z)
Toward Diffusible High-Dimensional Latent Spaces: A Frequency Perspective [73.86108756585857]
我々は、エンコーダ/デコーダの動作を分析し、デコーダが詳細を回復するために高周波遅延成分に強く依存していることを確認する。本稿ではFreqWarmについて紹介する。FreqWarmはプラグアンドプレイの周波数ウォームアップカリキュラムで、高周波潜時信号の早期露出を増大させる。
論文参考訳（メタデータ） (2025-11-27T09:20:36Z)
WaveSeg: Enhancing Segmentation Precision via High-Frequency Prior and Mamba-Driven Spectrum Decomposition [61.3530659856013]
本稿では,空間およびウェーブレット領域の機能改善を共同で最適化する新しいデコーダアーキテクチャであるWaveSegを提案する。高周波成分は、まず入力画像から、境界の詳細を強化するために明示的な先行として学習される。標準ベンチマークの実験では、Mambaベースの注目に先立ってウェーブレット-ドメイン周波数を利用するWaveSegが、常に最先端のアプローチより優れていることが示されている。
論文参考訳（メタデータ） (2025-10-24T01:41:31Z)
Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
論文参考訳（メタデータ） (2025-05-25T12:23:10Z)
Robust online reconstruction of continuous-time signals from a lean spike train ensemble code [0.0]
本稿では,連続時間信号をスパイク列車に決定的に符号化する信号処理フレームワークを提案する。表現可能な信号クラスと再構成境界に関する質問に対処する。大規模なオーディオデータセットの実験では、スパイクレートがNyquistレートの5分の1以下である場合に、優れた再構成精度を示す。
論文参考訳（メタデータ） (2024-08-12T06:55:51Z)
iSTFTNet: Fast and Lightweight Mel-Spectrogram Vocoder Incorporating Inverse Short-Time Fourier Transform [38.271530231451834]
メルスペクトルボコーダは、元のスケールのスペクトルの復元、位相再構成、周波数から時間への変換という3つの逆問題を解く必要がある。典型的な畳み込みメル-スペクトログラムボコーダは、畳み込みニューラルネットワークを用いてこれらの問題を共同で暗黙的に解決する。我々は,メルスペクトルボコーダの出力側層を,逆ショートタイムフーリエ変換に置き換えるiSTFTNetを提案する。
論文参考訳（メタデータ） (2022-03-04T16:05:48Z)
Learning Wave Propagation with Attention-Based Convolutional Recurrent Autoencoder Net [0.0]
本稿では、波動伝播現象のデータ駆動モデリングのための、エンド・ツー・エンドの注意に基づく畳み込み再帰型オートエンコーダ(AB-CRAN)ネットワークを提案する。波動伝搬に時間依存の双曲偏微分方程式で与えられる全階スナップショットから、デノナイジングに基づく畳み込みオートエンコーダを用いる。注意に基づくシーケンス・ツー・シーケンス・ネットワークは、通常のRNN-LSTMと比較して、予測の時間-水平を5倍増加させる。
論文参考訳（メタデータ） (2022-01-17T20:51:59Z)
WaveFill: A Wavelet-based Generation Network for Image Inpainting [57.012173791320855]
WaveFillはウェーブレットベースの塗装ネットワークで、画像を複数の周波数帯域に分解する。 WaveFillは、空間情報を自然に保存する離散ウェーブレット変換(DWT)を用いて画像を分解する。低周波帯にL1再構成損失を、高周波帯に敵対損失を施し、それによって周波数間紛争を効果的に軽減する。
論文参考訳（メタデータ） (2021-07-23T04:44:40Z)
Wavelet Networks: Scale-Translation Equivariant Learning From Raw Time-Series [31.73386289965465]
スケール変換同変写像はウェーブレット変換と強い類似性を持っている。この類似性に着想を得て、我々のネットワークをウェーブレットネットワークと呼び、ネストした非線形ウェーブレットのような時間周波数変換を行うことを示す。
論文参考訳（メタデータ） (2020-06-09T13:50:34Z)

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。