論文の概要: Time-Frequency Weighted Losses for Phoneme Reconstruction in DNN-Based Speech Enhancement

• arxiv url: http://arxiv.org/abs/2606.21635v1
• Date: Fri, 19 Jun 2026 17:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 04:23:27.90884
• Title: Time-Frequency Weighted Losses for Phoneme Reconstruction in DNN-Based Speech Enhancement
• Title（参考訳）: DNN音声強調における音素再構成のための時間周波数重み付き損失
• Authors: Nasser-Eddine Monir, Paul Magron, Romain Serizel,
• Abstract要約: 本稿では,局所的な音声存在,音声対干渉比(SIR),スペクトルフラックスに基づいてSDR目標を変調するTF重み付けフレームワークを提案する。 実験結果から,本手法は音素認識精度だけでなく,音素認識の精度も向上することが示された。
• 参考スコア（独自算出の注目度）: 22.777861592418777
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional training losses for speech enhancement based on the signal-to-distortion ratio (SDR) treat all time-frequency (TF) regions uniformly, overlooking the fine-grained spectral cues that are relevant to specific phoneme intelligibility. We propose a TF weighting framework that modulates the SDR objective based on local speech presence, speech-to-interference ratio (SIR), and spectral flux. By integrating these factors into a differentiable objective, the framework emphasizes TF bins with high speech-noise competition while also accounting for transient cues such as consonant bursts. Experimental results show that our approach improves objective frequency-weighted enhancement metrics, as well as phoneme recognition accuracy, particularly for consonants. Spectral analysis shows better reconstruction of mid-frequency structures at less adverse SIR.
• Abstract（参考訳）: 信号対歪み比(SDR)に基づく音声強調のための従来の訓練損失は、特定の音素の知覚に関係のあるきめ細かなスペクトルの手がかりを見越して、すべての時間周波数(TF)領域を均一に扱う。 本稿では,局所的な音声存在,音声対干渉比(SIR),スペクトルフラックスに基づいてSDR目標を変調するTF重み付けフレームワークを提案する。 これらの因子を微分可能な目的に組み込むことで、このフレームワークは、子音バーストのような過渡的な手がかりも考慮しつつ、高い音声雑音の競合を持つTFビンを強調する。 実験結果から, 音素認識精度, 特に子音に対して, 音素認識の精度が向上することが示唆された。 スペクトル解析により、より有害なSIRで中周波構造を再構築した。

関連論文リスト

• SRENet: Spectral Re-Entry Network for Point Cloud Action Recognition [49.508770157706486]
  本研究では,行動認識の周波数視点から,大域的文脈と微粒な動きの時間的ダイナミクスを学習するためのSRENetを提案する。 SRENetは、ポイントクラウドベースのアクション理解における周波数モデリングの有効性を検証し、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-02T05:11:47Z)
• Spectral Gating Networks [65.9496901693099]
  我々は、フィードフォワードネットワークに周波数リッチな表現性を導入するために、スペクトルゲーティングネットワーク(SGN)を導入する。 SGNは、標準活性化経路をコンパクトなスペクトル経路と学習可能なゲートで拡張し、安定したベース動作からモデルを開始することができる。 計算予算に匹敵する精度と効率のトレードオフを継続的に改善する。
  論文  参考訳（メタデータ） (2026-02-07T20:00:49Z)
• Iterative Inference-time Scaling with Adaptive Frequency Steering for Image Super-Resolution [75.3690742776891]
  適応周波数ステアリング(IAFS)を用いた反復拡散推論時間スケーリングを提案する。 IAFSは、構造的偏差の反復的補正によって生成した画像を徐々に精細化することで、知覚品質と構造的忠実性のバランスをとるという課題に対処する。 実験の結果、IAFSは知覚と忠実性の対立を効果的に解決し、知覚の細部と構造的精度を一貫して改善し、既存の推論時間スケーリング手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-12-29T15:09:20Z)
• Structured Spectral Reasoning for Frequency-Adaptive Multimodal Recommendation [13.886659472425393]
  マルチモーダルレコメンデーションは、視覚情報やテキスト情報などの異種コンテンツと協調的な信号を統合することを目的としている。 これらの問題は、しばしば単純融合や浅いモデリング戦略によって悪化し、一般化の低下とロバスト性の低下につながる。 周波数対応マルチモーダルレコメンデーションのための構造化スペクトル推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-01T07:39:28Z)
• Frequency-Weighted Training Losses for Phoneme-Level DNN-based Speech Enhancement [15.332506773218315]
  時間周波数領域で定式化され、周波数依存重み付け方式によって変調されるSDR損失の知覚的インフォームド変種を提案する。 これらの損失を利用して、FaSNetマルチチャネル音声強調モデルを訓練する。 実験の結果、SDRなどの標準指標はわずかに改善されているものの、知覚周波数重み付けの指標の方が大幅に改善されていることがわかった。
  論文  参考訳（メタデータ） (2025-06-23T14:52:34Z)
• mdctGAN: Taming transformer-based GAN for speech super-resolution with Modified DCT spectra [4.721572768262729]
  音声超解像(SSR)は、高分解能(HR)音声を対応する低分解能(LR)音声から復元することを目的としている。 近年のSSR法は、位相再構成の重要性を無視して、等級スペクトルの再構成に重点を置いている。 修正離散コサイン変換(MDCT)に基づく新しいSSRフレームワークであるmdctGANを提案する。
  論文  参考訳（メタデータ） (2023-05-18T16:49:46Z)
• Spectro-Temporal Deep Features for Disordered Speech Assessment and Recognition [65.25325641528701]
  音声スペクトルのSVD分解による深い特徴を埋め込んだ新しいスペクトル時空間ベースを提案する。 UASpeechコーパスで行った実験では、提案された分光時間深部特徴適応システムは、データ拡張の有無にかかわらず、ワードエラー率(WER)を最大263%(相対8.6%)削減することで、ベースラインi-適応を一貫して上回ったことが示唆された。
  論文  参考訳（メタデータ） (2022-01-14T16:56:43Z)
• Looking into Your Speech: Learning Cross-modal Affinity for Audio-visual Speech Separation [73.1652905564163]
  本稿では,音声-視覚的ニューラル処理を用いて音声信号と映像を分離する問題に対処する。 従来の手法では、フレームワイドマッチング基準を用いて、音声とビデオの共有情報を抽出する。 音声と視覚ストリーム間の局所的な親和性だけでなく,グローバル通信を学習するクロスモーダル親和性ネットワーク(CaffNet)を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:39:12Z)
• Improving Stability of LS-GANs for Audio and Speech Signals [70.15099665710336]
  このベクトル空間で計算された正規性からジェネレータ最適化の定式化への切り離しの符号化は、より包括的な分光図を作成するのに役立つことを示す。 本手法をベースラインGANと比較してモード崩壊の少ないトレーニングにおける安定性向上に有効であることを示す。
  論文  参考訳（メタデータ） (2020-08-12T17:41:25Z)
• End-to-End Multi-Task Denoising for joint SDR and PESQ Optimization [43.15288441772729]
  ネットワークの騒音は、ノイズの多い音声からマッピングを学習し、それらを直接掃除する。 既存のスキームにはスペクトルと計量ミスマッチの2つの重要な問題がある。 本稿では,SDRとPSSQ最適化を併用した新しいエンドツーエンドデノベーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2019-01-26T02:48:08Z)

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。