論文の概要: DriftSE: Speech Enhancement with Generative Drifting

• arxiv url: http://arxiv.org/abs/2609.12252v1
• Date: Thu, 10 Sep 2026 22:17:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.557207
• Title: DriftSE: Speech Enhancement with Generative Drifting
• Title（参考訳）: DriftSE: 生成ドリフトによる音声強調
• Abstract要約: 本稿では,潜時分布平衡問題として定式化された音声強調のための一段階生成フレームワークであるDriftSEを提案する。 訓練中、ドリフトフィールドは、潜伏領域でのドリフトを通して、ジェネレータのプッシュフォワード分布とクリーン音声多様体とを一致させる。 我々はDriftSEが正確なポイントワイド目標ではなく、潜在分布を整列させることにより、完全に不対のトレーニングを可能にすることを実証した。
• 参考スコア（独自算出の注目度）: 11.481441941913985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose DriftSE, a novel one-step generative framework for speech enhancement formulated as a latent distribution equilibrium problem. During training, the drifting field aligns the generator's pushforward distribution with the clean speech manifold through drifting in a latent domain. During inference, the drifting process is discarded, enabling one-step generation. We establish that its enhancement quality depends fundamentally on the choice of latent representation. Semantic latents preserve phonetic structure but fail to capture physical acoustic cues, whereas acoustic latents reconstruct the physical signal but risk linguistic hallucination. Therefore, we introduce dual-latent drifting, performing parallel drifting in both semantic and acoustic latents to simultaneously preserve phonetic intelligibility and acoustic fidelity. Additionally, we demonstrate that DriftSE enables fully unpaired training by aligning latent distributions rather than exact point-wise targets. Consequently, DriftSE facilitates cross-dataset learning in the absence of paired noisy-clean samples. Moreover, DriftSE exhibits broad architectural flexibility across different generator backbones. Extensive evaluations on additive denoising and convolutive dereverberation demonstrate robust one-step enhancement across both offline and real-time causal settings. Notably, DriftSE achieves state-of-the-art word error rates across all four evaluated datasets while strictly operating at 1 NFE. Code and audio examples are available online.
• Abstract（参考訳）: 本稿では,潜時分布平衡問題として定式化された音声強調のための新しい一段階生成フレームワークであるDriftSEを提案する。 トレーニング中、ドリフトフィールドは、潜伏領域でのドリフトを通して、ジェネレータのプッシュフォワード分布とクリーン音声多様体とを一致させる。 推論中、ドリフト過程は破棄され、ワンステップ生成が可能となる。 我々は,その拡張品質が潜在表現の選択に大きく依存していることを確立する。 セマンティック・ラテントは音韻構造を保っているが、物理的音響的手がかりを捉えないのに対し、音響的ラテントは物理的信号を再構成するが言語幻覚のリスクがある。 そこで本研究では,音素の明瞭度と音響的忠実度を同時に維持するために,意味的および音響的双方で平行なドリフトを行うデュアルラテントドリフトを導入する。 さらに、DriftSEは、正確なポイントワイドターゲットではなく、潜在分布を整列させることで、完全に不公平なトレーニングを可能にすることを実証する。 その結果、DriftSEはペアノイズクリーンサンプルが存在しない場合に、データセット間の学習を容易にする。 さらに、DriftSEは異なるジェネレータバックボーンにまたがる幅広いアーキテクチャの柔軟性を示している。 加法難聴と難治性難聴に対する広範囲な評価は、オフラインとリアルタイムの因果関係の双方において頑健な一段階の強化を示す。 特に、DriftSEは、1 NFEで厳格に動作しながら、4つの評価データセットすべてにわたる最先端のワードエラー率を達成する。 コードとオーディオの例はオンラインで公開されている。

関連論文リスト

• TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
  大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。 しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。 凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。 MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
  論文  参考訳（メタデータ） (2026-08-18T23:40:28Z)
• CuteTTS: Efficient and High-Quality Speech Synthesis via Autoregressive Modeling of Continuous Latents [53.73961877379327]
  CuteTTSはコンパクトな連続自己回帰型TSシステムである。 意味的に整列した因果性VAE潜伏剤とパッチレベルの自己回帰、明示的な話者条件付け、双方向のフローマッチングヘッドを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-09T11:10:20Z)
• Progression as Latent Drift: Generative Forecasting of Slow-Evolving Pathologies [25.820056271749788]
  ゆっくり進化する神経変性疾患の将来の解剖を予測すれば、より早期、より標的となる介入を可能にし、臨床試験設計を改善することができる。 Latent Driftは、完全な解像度の解剖学ではなく、圧縮された意味表現の変化を学ぶ進歩的な生成フレームワークである。 縦3次元脳MRI実験では、潜伏ドリフトは拡散と自己回帰トランスフォーマーベースラインよりも患者固有の神経予測を改善することが示された。
  論文  参考訳（メタデータ） (2026-07-09T09:13:03Z)
• Enhancing Flow Matching with A Unified Guidance Framework for Efficient and Robust Speech Synthesis [11.116469047991798]
  Flow Matching (FM)は、音声生成の強力なパラダイムとして登場したが、高い推論と遅延に制約されている。 本稿では,2つの相補的戦略によって生成効率とロバスト性を向上させる統一的なガイダンスフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-01T03:02:31Z)
• Speech Enhancement Based on Drifting Models [2.6958419576949146]
  ドリフトモデル(DriftSE)に基づく音声強調手法を提案する。 DriftSEは平衡問題としてデノイングを定式化する新しい生成フレームワークである。 VoiceBank-DEMANDの実験では、DriftSEは単一のステップで高忠実性向上を実現する。
  論文  参考訳（メタデータ） (2026-04-27T09:00:51Z)
• OmniForcing: Unleashing Real-time Joint Audio-Visual Generation [51.031726911410594]
  最近のジョイントオーディオ・視覚拡散モデルは、優れた生成品質を実現するが、高いレイテンシーに悩まされる。 OmniForcingは、オフラインの双方向拡散モデルを高忠実度ストリーミングオートレジェネレータに蒸留する最初のフレームワークである。
  論文  参考訳（メタデータ） (2026-03-12T08:17:36Z)
• TempoSyncDiff: Distilled Temporally-Consistent Diffusion for Low-Latency Audio-Driven Talking Head Generation [0.0]
  本稿では,参照条件付き潜在拡散フレームワークであるTempoSyncDiffを紹介する。 効率的な音声駆動音声ヘッド生成のための数ステップの推論を探索する。 このフレームワークはアイデンティティアンカーと、アイデンティティドリフトとフレーム間フリックを緩和するために設計された時間的正規化を備えている。
  論文  参考訳（メタデータ） (2026-03-06T09:09:01Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• ReDDiT: Rehashing Noise for Discrete Visual Generation [53.813067778912]
  離散拡散変圧器(終端型ReDDiT)のためのリハッシングノイズアプローチを提案する。 我々は、吸収状態を拡張し、離散拡散モデルの表現能力を向上させることを目的としている。 実験の結果、ReDDiTはベースラインモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-05-26T08:17:20Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)

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。