論文の概要: Self-Supervised Test-Time Tuning for Packet Loss Concealment

• arxiv url: http://arxiv.org/abs/2607.01823v1
• Date: Thu, 02 Jul 2026 07:45:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.722702
• Title: Self-Supervised Test-Time Tuning for Packet Loss Concealment
• Title（参考訳）: パケット損失回避のための自己監督型テストタイムチューニング
• Authors: Yehoshua Dissen, Joseph Keshet,
• Abstract要約: パケット損失隠蔽(PLC)は受信機に欠けているオーディオパケットを再構築する。 受信パケットのみを用いて既存のPLCモデルに適応する自己教師型テストタイムチューニングフレームワークであるTTT-PLCを提案する。
• 参考スコア（独自算出の注目度）: 11.474609480026828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Packet loss concealment (PLC) reconstructs audio packets that are missing at the receiver, usually with a trained model whose parameters remain fixed at deployment time. This treats the PLC model as static, even though each call or recording exposes signal-specific information through the packets that did arrive. We present TTT-PLC, a self-supervised test-time tuning framework that adapts existing PLC models using only those received packets. The method creates supervision by synthetically masking portions of the available signal, training the model to conceal them with its native PLC objective, and then using the adapted model to reconstruct the true packet losses. No clean reference signal, external adaptation data, or architectural modification is required. We study TTT-PLC in two deployment settings. In the non-causal setting, the received file is available before reconstruction, allowing repeated self-supervised adaptation passes and providing a per-file adaptation ceiling. In the causal setting, audio is streamed without revising emitted samples; adaptation is performed only on completed past blocks, and updated parameters affect only future audio. We instantiate the framework on two public PLC backbones, FRN, a recurrent full-band speech PLC model, and PARCnet, a hybrid autoregressive-neural model for networked music. Across these settings, the results show that pretrained PLC systems do not need to be treated as fixed at inference time, the still-observed portions of a lossy signal can provide an effective training signal for improving concealment on that same signal.
• Abstract（参考訳）: パケット損失隠蔽(PLC)は受信機に欠けているオーディオパケットを再構築する。 これはPLCモデルを静的として扱い、各呼び出しや記録が到着したパケットを通じて信号固有の情報を公開する。 受信パケットのみを用いて既存のPLCモデルに適応する自己教師型テストタイムチューニングフレームワークであるTTT-PLCを提案する。 この方法は、利用可能な信号の一部を合成的にマスキングし、モデルをそのネイティブなPLC目標で隠蔽するように訓練し、適応されたモデルを使用して真のパケット損失を再構築する。 クリーンな参照信号、外部適応データ、アーキテクチャの変更は不要である。 TTT-PLCを2つの配置環境で検討した。 非因果的設定では、受信したファイルは復元前に利用可能であり、繰り返し自己教師付き適応パスとファイルごとの適応天井を提供する。 因果的設定では、音声は出力されたサンプルを更新することなくストリーミングされ、適応は完了した過去のブロックでのみ行われ、更新されたパラメータは将来のオーディオにのみ影響する。 2つのパブリックPLCバックボーン、フルバンド音声PLCモデルであるFRNと、ネットワーク音楽のためのハイブリッド自己回帰ニューラルモデルであるPARCnetのフレームワークをインスタンス化する。 これらの設定全体では、事前学習されたPLCシステムは推論時に固定される必要はなく、損失信号のまだ保存されている部分は、同一信号の隠蔽を改善する効果的な訓練信号を提供することができる。

関連論文リスト

• FlowBender: Feedback-Aware Training for Self-Correcting Conditional Flows [18.746098727212544]
  FlowBenderは3D再構成のための新しい拡散流モデルである。 FlowBenderは、標準的な教師付きアライメントトレーニングよりも一貫して優れています。 微分可能な演算子に対して、FlowBenderのいくつかの変種を提案する。
  論文  参考訳（メタデータ） (2026-06-18T15:56:07Z)
• TraceCodec: A Compiler-Backed Neural Codec for Stateful Multi-Flow Network Traffic Traces [10.977191979493968]
  重要なネットワークの合法性は、テスト、セキュリティ分析、プロトコル検証のために高忠実度パケットキャプチャ(PCAP)を必要とする。 近年のパケットジェネレータはプロトコル制約付きPCAP合成を実証しているが、生のパケットフィールドに直接デコードする。 ステートフルなマルチフロートレースのための状態認識ニューラルネットワークであるTraceCodecを提案する。
  論文  参考訳（メタデータ） (2026-05-28T13:52:40Z)
• Spectral Guidance for Flexible and Efficient Control of Diffusion Models [25.912824880444262]
  生成過程の内在的幾何を利用して拡散モデルを制御するためのフレームワークであるスペクトル誘導を導入する。 本研究では,条件付き期待演算子の特異関数として特徴付け,自己指導的目的によって学習可能であることを示す。
  論文  参考訳（メタデータ） (2026-05-27T15:11:09Z)
• MERGETUNE: Continued fine-tuning of vision-language models [77.8627788911249]
  微調整視覚言語モデル(VLM)は、しばしば事前訓練された知識を破滅的に忘れてしまう。 ゼロショットモデルに適応した後に事前学習した知識を回復するための新しいパラダイムである連続微調整(CFT)を導入する。
  論文  参考訳（メタデータ） (2026-01-15T15:15:53Z)
• Time-Varying Audio Effect Modeling by End-to-End Adversarial Training [0.6688641196358245]
  本稿では,入力出力音声のみを用いて効果をモデル化するためのGAN(Generative Adversarial Network)フレームワークを提案する。 最初の逆相は、厳密な位相制約なしに変調挙動の分布を学習することを可能にする。 状態予測ネットワーク(SPN)は、モデルとターゲットを同期させるために必要な初期内部状態を推定する。
  論文  参考訳（メタデータ） (2025-12-17T11:04:39Z)
• Optimizing Model Splitting and Device Task Assignment for Deceptive Signal Assisted Private Multi-hop Split Learning [58.620753467152376]
  我々のモデルでは、複数のエッジデバイスが共同で協調訓練を行い、一部の盗聴者はデバイスからモデルとデータ情報を収集することを目的としている。 盗聴者がモデルやデータ情報を集めるのを防止するため、装置のサブセットは、偽装信号を送信することができる。 本稿では,本質的な好奇性モジュールとクロスアテンションを備えたアクター批判型深層強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-09T22:53:23Z)
• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)
• Unit-Modulus Wireless Federated Learning Via Penalty Alternating Minimization [64.76619508293966]
  Wireless Federated Learning(FL)は、分散データセットから無線通信を介してグローバルパラメトリックモデルをトレーニングする、新興機械学習パラダイムである。 本稿では、ローカルモデルパラメータをアップロードし、無線通信を介してグローバルモデルパラメータを算出する無線FLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T08:19:54Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)

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。