論文の概要: Bearings: Self-Supervised Soundfield Embeddings from First-Order Ambisonics

• arxiv url: http://arxiv.org/abs/2609.23152v1
• Date: Sat, 19 Sep 2026 17:40:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.924979
• Title: Bearings: Self-Supervised Soundfield Embeddings from First-Order Ambisonics
• Title（参考訳）: Bearings: 第一級アンビニクスによる自己監督型音場埋め込み
• Abstract要約: Bearingは、未ラベルの1階のAmbisonicsから音場埋め込みを学習する自己教師型フレームワークである。 この結果から, 凍結した音響エンコーダに付加可能な再利用可能な流れが形成されることがわかった。
• 参考スコア（独自算出の注目度）: 1.5948860527881505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently proposed self-supervised audio encoders learn powerful general-purpose representations of sound scenes, yet they are spatially blind. To supply the missing spatial representation of sound scenes, we introduce Bearings. Bearings is a self-supervised framework that learns soundfield embeddings from unlabeled first-order Ambisonics. We pre-train a masked auto-encoder paired with a decoder conditioned on frozen acoustic embeddings from an off-the-shelf single-channel audio encoder. Our results show that the resulting soundfield embeddings form a reusable stream that can be attached to frozen acoustic encoders with a lightweight trainable fusion head. On sound event localization and detection, concatenating our soundfield embeddings with acoustic representations provides the missing spatial information and enables joint detection and localization, raising the location-dependent F-score from below 4 to 50 on TAU-NIGENS 2021 and 39 on STARSS23. To our knowledge, Bearings is the first self-supervised soundfield encoder whose embeddings plug into frozen acoustic encoders without retraining either model.
• Abstract（参考訳）: 近年提案されている自己教師型オーディオエンコーダは,音声シーンの強力な汎用表現を学習しているが,空間的に盲目である。 音響シーンの空間的表現の欠如を補うために,ベアリングを導入する。 Bearingsは、未ラベルのファーストオーダーのAmbisonicsから音場埋め込みを学習する自己教師型フレームワークである。 既設シングルチャンネルオーディオエンコーダから冷凍音響埋め込みに条件付デコーダを組み込んだマスク付きオートエンコーダを事前訓練する。 実験の結果, 音場埋め込みは, 軽量な訓練可能な核融合ヘッドにより, 冷凍音響エンコーダに付加できる再利用可能な流れを形成することがわかった。 音事象の定位と検出について,音場埋め込みと音響表現を結合させることで,空間情報の不足を解消し,共同検出と定位が可能となり,TAU-NIGENS 2021およびSTARSS23では,位置依存Fスコアが4以下から50以下に上昇する。 私たちの知る限り、ベアリングスは、いずれのモデルも再訓練することなく、冷凍音響エンコーダに埋め込んだ最初の自己教師型音場エンコーダである。

関連論文リスト

• OmniEcho: Spatial Audio Understanding for Embodied Agents [32.82868873992346]
  textbf OmniEchoBenchは空間的音声視覚知覚と音声視覚言語ナビゲーションのためのベンチマークである。 実際の空間的オーディオ映像シーン197件、質問応答ペア2,972件、ナビゲーションサンプル900件の6つのタスクで構成されている。 実験により,OmniEchoは空間的聴覚・視覚知覚において最先端の性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-09-20T06:45:31Z)
• Open-Set Ego-Noise Separation for Legged-Robot Audition via Annotation-Free Adaptation and Pretrained-Model Transfer [5.361221195494128]
  本稿では,手足ロボットオーディションのためのオープンセットエゴノイズ分離フレームワークを提案する。 このフレームワークは、事前にクラスが特定されていない環境音を保存しながら、ロボット固有のエゴノイズを除去する。 二足歩行ロボットと四足歩行ロボットによる実験は、信頼性の高いクリップ選択と分離品質および下流タスク性能の改善を示す。
  論文  参考訳（メタデータ） (2026-09-07T12:49:36Z)
• DOA-Aware Audio-Visual Self-Supervised Learning for Sound Event Localization and Detection [16.92604848450722]
  本稿では,第1次アンビソニクス(FOA)マイクロホンで捉えた空間的音声記録のための音事象定位・検出(SELD)について述べる。 本稿では,ディープニューラルネットワーク(DNN)の特徴抽出部分を自己教師型で事前学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-30T08:31:58Z)
• Unsupervised Denoising for Signal-Dependent and Row-Correlated Imaging Noise [54.0185721303932]
  本稿では,行関連や信号依存の撮像ノイズを処理できる,教師なしのディープラーニングベースデノイザについて紹介する。 提案手法では,特殊設計の自己回帰デコーダを備えた変分オートエンコーダを用いる。 本手法では,事前学習した雑音モデルを必要としないため,雑音のないデータを用いてスクラッチから訓練することができる。
  論文  参考訳（メタデータ） (2023-10-11T20:48:20Z)
• Think Twice before Driving: Towards Scalable Decoders for End-to-End Autonomous Driving [74.28510044056706]
  既存のメソッドは通常、分離されたエンコーダ-デコーダパラダイムを採用する。 本研究は,この問題を2つの原則で緩和することを目的としている。 まず、エンコーダの特徴に基づいて、粗い将来の位置と行動を予測する。 そして、その位置と動作を条件に、将来のシーンを想像して、それに従って運転した場合にその影響を確認する。
  論文  参考訳（メタデータ） (2023-05-10T15:22:02Z)
• Opening the Black Box of wav2vec Feature Encoder [2.1219431687928525]
  我々は、その潜在空間が離散音響単位を表すと推測される畳み込み特徴エンコーダに焦点を当てる。 埋め込み空間を還元的に解析するため,単純な正弦波の和である合成音声信号を供給した。 本稿では,(1)基本周波数,(2)ホルマント,(3)振幅といった特徴エンコーダ表現の中に,(4)時間的詳細を詰め込んだ様々な情報が埋め込まれていることを結論する。
  論文  参考訳（メタデータ） (2022-10-27T12:47:35Z)
• Diffsound: Discrete Diffusion Model for Text-to-sound Generation [78.4128796899781]
  本稿では,テキストエンコーダ,ベクトル量子化変分自動符号化(VQ-VAE),デコーダ,ボコーダからなる新しいテキスト音声生成フレームワークを提案する。 フレームワークは、まず、デコーダを使用して、テキストエンコーダから抽出したテキスト特徴をVQ-VAEの助けを借りてメルスペクトルに転送し、次いで、ボコーダを使用して生成されたメルスペクトルを波形に変換する。
  論文  参考訳（メタデータ） (2022-07-20T15:41:47Z)
• Local Information Assisted Attention-free Decoder for Audio Captioning [52.191658157204856]
  本稿では,PANNをベースとしたエンコーダを音声特徴抽出に用いるアテンションフリーデコーダを用いたAAC手法を提案する。 提案手法は,音声信号からグローバル情報とローカル情報の両方を効果的に利用することができる。
  論文  参考訳（メタデータ） (2022-01-10T08:55:52Z)
• Visually Informed Binaural Audio Generation without Binaural Audios [130.80178993441413]
  記録のない効果的なパイプラインであるPseudoBinauralを提案します。 本研究では球面高調波分解と頭部関連インパルス応答(hrir)を用いて空間位置と受信音声の関係を同定する。 当社の記録のないパイプラインは、データセット間の評価において大きな安定性を示し、主観的な好みで匹敵するパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-04-13T13:07:33Z)
• Semi-supervised Learning for Singing Synthesis Timbre [22.75251024528604]
  音声データのみから新しい音声を学習できる半教師付き歌唱シンセサイザーを提案する。 本システムは,2つのエンコーダ,言語と音響,および1つの(音響)デコーダを備えたエンコーダ・デコーダモデルである。 聴取テストによりシステム評価を行い、その結果が等価な教師付きアプローチで得られたものと同等であることを示す。
  論文  参考訳（メタデータ） (2020-11-05T13:33:34Z)

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。