Fugu-MT 論文翻訳(概要): Finetuning Strategies for Querying Sounds by Vocal Imitation

論文の概要: Finetuning Strategies for Querying Sounds by Vocal Imitation

arxiv url: http://arxiv.org/abs/2608.19174v1
Date: Wed, 19 Aug 2026 17:51:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-20 20:13:55.484387
Title: Finetuning Strategies for Querying Sounds by Vocal Imitation
Title（参考訳）: 声帯模擬による問合せ音の微調整法
Abstract要約: 本報告では,AES AIMLA 2025 Challengeにおける音声模倣による音響効果の問合せについて述べる。凍結・事前学習されたCEDエンコーダを用いたコントラスト学習と,MobileNetV3エンコーダを用いた半硬負のコントラスト・トリップ学習の2つの相補的微調整戦略について検討した。
参考スコア（独自算出の注目度）: 15.989039367084503
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This technical report describes our winning submission to the AES AIMLA 2025 Challenge on querying sound effects by vocal imitation. We investigate two complementary fine-tuning strategies: contrastive learning with a frozen, pretrained CED encoder, and joint contrastive-triplet learning with semi-hard negatives using a MobileNetV3 encoder. This report has been updated for posterity to include details released after the challenge.
Abstract（参考訳）: 本技術報告では,AES AIMLA 2025 Challenge におけるボーカル模倣による音響効果の問合せについて述べる。凍結・事前学習されたCEDエンコーダを用いたコントラスト学習と,MobileNetV3エンコーダを用いた半硬負のコントラスト・トリップ学習の2つの相補的微調整戦略について検討した。このレポートは後続性のために更新され、チャレンジ後に詳細がリリースされた。

関連論文リスト

Making the Most of Limited Data: Score-Aware Training for Text-to-Music Generation [1.0323063834827415]
最先端のテキストから音楽への生成システムは、膨大なプロプライエタリなデータセットと産業規模の計算に依存している。本稿では、パイプライン全体を通して直接監視信号として、音声キャプチャアライメントスコアを扱うテキストスコア認識トレーニングを提案する。
論文参考訳（メタデータ） (2026-06-05T15:24:36Z)
Report of the 5th PVUW Challenge: Towards More Diverse Modalities in Pixel-Level Understanding [202.7892709083317]
本報告では、2026年のPVUWチャレンジの目的、データセット、および最高パフォーマンスの方法論を要約する。 2026年版では、密集した乱雑なシナリオの中でオブジェクトを追跡するMOSEトラック、動きに焦点を絞った言語表現でターゲットをローカライズするMeViS-Textトラック、音響駆動型オブジェクトセグメンテーションの先駆者であるMeViS-Audioトラックの3つの特別なトラックがある。
論文参考訳（メタデータ） (2026-04-28T18:14:18Z)
VEIL: Jailbreaking Text-to-Video Models via Visual Exploitation from Implicit Language [25.38940067963429]
テキスト・ツー・ビデオ(T2V)モデルに対する以前の攻撃は、通常、明らかに安全でないプロンプトに敵の摂動を追加する。我々は、リッチで暗黙的な手がかりを含む良心的なプロンプトがT2Vモデルを誘導し、セマンティックなアンセーフなビデオを生成することを示した。本稿では,モジュール型プロンプト設計により,T2Vモデルの相互関連パターンを活用するジェイルブレイクフレームワークVEILを提案する。
論文参考訳（メタデータ） (2025-11-17T08:31:43Z)
Mutual Learning for Acoustic Matching and Dereverberation via Visual Scene-driven Diffusion [93.32354378820648]
本稿では拡散モデルに基づく相互学習フレームワークMVSDを紹介する。 MVSDは2つのタスクを対称的に考慮し、逆タスクからの学習を容易にするために相互関係を利用する。我々のフレームワークは、残響器と残響器の性能を向上させることができる。
論文参考訳（メタデータ） (2024-07-15T00:47:56Z)
Zero-Shot Video Editing through Adaptive Sliding Score Distillation [51.57440923362033]
本研究は,オリジナルビデオコンテンツの直接操作を容易にする,ビデオベースのスコア蒸留の新たなパラダイムを提案する。本稿では,グローバルとローカルの両方の動画ガイダンスを取り入れた適応スライディングスコア蒸留方式を提案する。
論文参考訳（メタデータ） (2024-06-07T12:33:59Z)
An Effective Mixture-Of-Experts Approach For Code-Switching Speech Recognition Leveraging Encoder Disentanglement [9.28943772676672]
コードスイッチング現象は、自動音声認識を妨げる大きな障害である。エンコーダの下層層が言語間音響情報を捕捉できるようにするために, 新たなアンタングルメント損失を導入する。提案手法は,事前訓練されたデュアルエンコーダを用いた先行技術よりも優れていることを確認した。
論文参考訳（メタデータ） (2024-02-27T04:08:59Z)
DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
論文参考訳（メタデータ） (2023-09-09T04:40:01Z)
Team AcieLee: Technical Report for EPIC-SOUNDS Audio-Based Interaction Recognition Challenge 2023 [8.699868810184752]
タスクは、オブジェクト間の相互作用やカメラ装着者のイベントによって引き起こされるオーディオを分類することである。その結果, 学習速度の低下, 背骨凍結, ラベルの平滑化, 焦点損失は, 性能改善に大きく寄与することがわかった。提案手法により,EPIC-SOUNDS音声ベースインタラクション認識チャレンジのCVPR 2023ワークショップにおいて,第3位を達成できた。
論文参考訳（メタデータ） (2023-06-15T09:49:07Z)
Burst2Vec: An Adversarial Multi-Task Approach for Predicting Emotion, Age, and Origin from Vocal Bursts [49.31604138034298]
Burst2Vecは、事前訓練された音声表現を使用して、生波形から音響情報をキャプチャする。提案モデルでは,事前抽出した特徴を用いて,ベースラインよりも30%の性能向上を実現している。
論文参考訳（メタデータ） (2022-06-24T18:57:41Z)
Learning Robust Recommender from Noisy Implicit Feedback [140.7090392887355]
我々はAdaptive Denoising Training(ADT)という新しいトレーニング戦略を提案する。 ADTは2つのパラダイム(Trncated LossとReweighted Loss)によるノイズ相互作用を適応的に引き起こす我々は、追加のフィードバック(例えば、評価)を補助信号とみなし、追加のフィードバックをADTに組み込むための3つの戦略を提案する。
論文参考訳（メタデータ） (2021-12-02T12:12:02Z)

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。