論文の概要: DBHN-Net: Dual-Branch Hybrid Neural Network For Low-Complexity Monaural Speech Enhancement

• arxiv url: http://arxiv.org/abs/2606.05911v1
• Date: Thu, 04 Jun 2026 09:16:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-06 06:55:34.646681
• Title: DBHN-Net: Dual-Branch Hybrid Neural Network For Low-Complexity Monaural Speech Enhancement
• Title（参考訳）: DBHN-Net:低複雑さモナラ音声強調のためのデュアルブランチハイブリッドニューラルネットワーク
• Authors: Cunhang Fan, Enrui Liu, Jing Zhou, Jian Kang, Jie Li, Andong Li, Jian Zhou, Zhao Lv, Xuelong Li,
• Abstract要約: 本研究では,DualBranch Hybrid Neural (DBHN) ネットワークを提案する。 ANNとSNNを統合したデュアルブランチネットワークが設計され、SNNブランチは情報損失に対処する一方、SNNブランチは消費電力を減らす。 その結果,提案モデルは3つの公開データセットにまたがって優れた性能を維持しつつ,計算複雑性を平均1倍の低減を実現していることがわかった。
• 参考スコア（独自算出の注目度）: 64.23650268245822
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although artificial neural network (ANN) based speech enhancement (SE) methods demonstrate excellent performance, the high computational complexity and high energy consumption hinder their deployment in practical front-end processing tasks.} Currently, the spiking neural networks (SNNs) have shown potential in reducing power consumption. However, the discrete binary activation and complex spatio-temporal dynamics of SNNs often result in information loss. The current challenge therefore focuses on how to maintain performance and reduce computational complexity. To address this issue, this work propose a Dual-Branch Hybrid Neural (DBHN) Network. 1) In terms of network architecture: A dual-branch network integrating ANN and SNN was designed, where the SNN branch reduces power consumption while the ANN branch addresses information loss; The BandSplit and Time-Frequency (TF) -Mamba modules were developed to simultaneously compress energy consumption and enhance model performance; Spiking Feature Extraction Group (SFEG) and Information Transformation Block (ITB) components were implemented with residual connections to mitigate information loss while further refining feature representations. 2) To facilitate inter-branch information fusion: An Interaction module was designed to promote information exchange at various stages of the dual-branch network; A TF-Cross Attention-Fusion module was designed to perform time-frequency domain fusion of dual-branch information while data-adaptively guiding the SNN branch to retain more critical information. Results show that the proposed model maintains superior performance across three public datasets while achieving an average 7.5 fold reduction in computational complexity compared to baseline models.
• Abstract（参考訳）: 人工知能ニューラルネットワーク(ANN)に基づく音声強調(SE)手法は優れた性能を示すが、計算複雑性と高エネルギー消費により、実用的なフロントエンド処理タスクへの展開を妨げている。 現在、スパイクニューラルネットワーク(SNN)は消費電力を減らす可能性を示している。 しかしながら、SNNの離散バイナリアクティベーションと複雑な時空間ダイナミクスは、しばしば情報損失をもたらす。 そのため、現在の課題は、パフォーマンスの維持と計算複雑性の低減に重点を置いている。 この問題に対処するために、Dual-Branch Hybrid Neural (DBHN) ネットワークを提案する。 1) ネットワークアーキテクチャの観点からは,ANNとSNNを統合したデュアルブランチネットワークが設計され,SNNブランチが情報損失に対応する一方で,SNNブランチが消費電力を削減し,BandSplitとTime-Frequency (TF) -Mambaモジュールが同時にエネルギー消費とモデル性能を向上させるために開発された。 2) 干渉モジュールは二重分岐ネットワークの様々な段階における情報交換を促進するように設計され, TF-Cross Attention-Fusionモジュールは、より重要な情報を保持するためにSNNブランチをデータ適応的に誘導しながら、二重分岐情報の時間周波数領域融合を行うように設計された。 その結果,提案モデルでは,ベースラインモデルと比較して平均7.5倍の計算複雑性を達成しつつ,3つの公開データセットに対して優れた性能を維持していることがわかった。

関連論文リスト

• Brain-Inspired Multimodal Spiking Neural Network for Image-Text Retrieval [79.04396446873932]
  スパイキングニューラルネットワーク(SNN)は、最近、視覚的タスクとテキストタスクに強い可能性を示している。 画像テキスト検索(ITR)のようなマルチモーダルアプリケーションのための直接訓練され、低エネルギーで高性能なSNNを構築することは、依然として非常に困難である。 我々は脳にインスパイアされたクロスモーダルスパイク・フュージョン・ネットワーク(CMSF)を提案し、初めてITRに適用した。
  論文  参考訳（メタデータ） (2026-03-25T08:41:07Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• SynA-ResNet: Spike-driven ResNet Achieved through OR Residual Connection [10.702093960098104]
  スパイキングニューラルネットワーク(SNN)は、その生物学的忠実さとエネルギー効率のよいスパイク駆動操作を実行する能力のために、脳のような計算にかなりの注意を払っている。 ORRC(Residual Connection)を通じて大量の冗長情報を蓄積する新しいトレーニングパラダイムを提案する。 次に,SynA(SynA)モジュールを用いて冗長情報をフィルタリングし,背骨における特徴抽出を促進するとともに,ショートカットにおけるノイズや無駄な特徴の影響を抑える。
  論文  参考訳（メタデータ） (2023-11-11T13:36:27Z)
• Distribution-sensitive Information Retention for Accurate Binary Neural Network [49.971345958676196]
  本稿では、前向きのアクティベーションと後向きの勾配の情報を保持するために、新しいDIR-Net(Distribution-sensitive Information Retention Network)を提案する。 我々のDIR-Netは、主流かつコンパクトなアーキテクチャの下で、SOTAバイナライゼーションアプローチよりも一貫して優れています。 我々は、実世界のリソース制限されたデバイス上でDIR-Netを行い、ストレージの11.1倍の節約と5.4倍のスピードアップを実現した。
  論文  参考訳（メタデータ） (2021-09-25T10:59:39Z)

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。