論文の概要: Revisiting Input Time-frequency Representations in Multi-pitch Estimation for Vocal Ensembles

• arxiv url: http://arxiv.org/abs/2610.03656v1
• Date: Fri, 02 Oct 2026 17:35:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.529091
• Title: Revisiting Input Time-frequency Representations in Multi-pitch Estimation for Vocal Ensembles
• Title（参考訳）: 音声アンサンブルのマルチピッチ推定における入力時間周波数表現の再検討
• Abstract要約: ボーカルアンサンブルにおけるマルチピッチ推定は、歌手が重複するピッチ範囲を占有し、しばしば密集した基本周波数で歌うため困難である。 既存のモデルでは、高調波定数Q変換(HCQT)ベースの表現を用いて周波数適応分解能を提供するのが一般的である。 我々はHCQTと線形短時間フーリエ変換(STFT)を比較し、その周波数ビンをモデル入力として直接提供する。
• 参考スコア（独自算出の注目度）: 4.677940549471619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-pitch estimation in vocal ensembles is challenging because singers occupy overlapping pitch ranges and often sing at closely spaced fundamental frequencies, causing their harmonics to overlap in time-frequency representations. Existing models commonly use harmonic constant-Q transform (HCQT)-based representations to provide frequency-adaptive resolution, at the cost of expensive feature extraction when training mixtures are generated on the fly. We revisit this design and compare HCQT with a linear short-time Fourier transform (STFT), whose frequency bins are directly provided as model inputs. Despite its fixed frequency resolution and the absence of a pitch-aligned input grid, the linear STFT outperforms HCQT while substantially reducing feature-extraction cost. Further analysis shows that a longer analysis window or broader spectral coverage provides no additional improvement, while restricting the input to the predicted pitch range reduces the advantage of the linear STFT. These results suggest that finer frequency resolution does not necessarily improve vocal-ensemble MPE, and that shorter analysis windows can be more effective for time-varying vocal pitches.
• Abstract（参考訳）: ボーカルアンサンブルにおけるマルチピッチ推定は、歌手が重複するピッチ範囲を占有し、しばしば密集した基本周波数で歌うため、時間周波数表現においてハーモニックが重なるため、困難である。 既存のモデルでは、トレーニング混合物をオンザフライで生成する際に高価な特徴抽出を犠牲にして、周波数適応解像度を提供するために、高調波定数Q変換(HCQT)に基づく表現が一般的である。 我々はこの設計を再検討し、HCQTと線形短時間フーリエ変換(STFT)を比較し、その周波数ビンをモデル入力として直接提供する。 固定周波数分解能とピッチ整列入力格子の欠如にもかかわらず、線形STFTはHCQTより優れ、特徴抽出コストを大幅に低減する。 さらに分析したところ、より長い解析窓やより広いスペクトルカバレッジは、予測されたピッチ範囲への入力を制限することで、線形STFTの利点を低下させる一方で、追加的な改善をもたらすことが示されている。 これらの結果から, より微細な周波数分解能は必ずしも音声アンサンブルMPEを改善せず, より短い解析窓が発声の時間変化に有効であることが示唆された。

関連論文リスト

• FreqCycle: A Multi-Scale Time-Frequency Analysis Method for Time Series Forecasting [5.58518205945406]
  本稿では、時間領域における共有周期パターンを明示的に学習することにより、低周波の特徴を抽出するFreqCycleを提案する。 FreqCycleは、高速な推論速度を維持しながら最先端の精度を実現し、パフォーマンスと効率の最適なバランスを保っている。
  論文  参考訳（メタデータ） (2026-03-10T13:34:36Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• AWEMixer: Adaptive Wavelet-Enhanced Mixer Network for Long-Term Time Series Forecasting [12.450099337354017]
  適応ウェーブレット強化ミキサーネットワークであるAWEMixerを提案する。 周波数ルータは、Fast Fourier Transformによって達成された大域的周期パターンを利用して、局所化ウェーブレットサブバンドを適応的に重み付けする。 コヒーレントゲート融合ブロックは、多スケール時間表現による顕著な周波数特徴の選択的統合を実現する。
  論文  参考訳（メタデータ） (2025-11-06T11:27:12Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
  本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。 本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。 様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-25T12:23:10Z)
• Multi-Order Wavelet Derivative Transform for Deep Time Series Forecasting [40.57415617022347]
  我々はWDT(Walterlet Derivative Transform)を導入し、全体的な傾向と微妙な変動にまたがる時間認識パターンの抽出を可能にする。 実際に、WDTをWaveTSという名前のマルチブランチフレームワークに組み込み、入力系列をマルチスケールの時間周波数係数に分解し、線形層を介してそれらを洗練し、逆WDTを介して時間領域に再構成する。 10のベンチマークデータセットの実験では、WaveTSは高い計算効率を維持しながら最先端の予測精度を達成している。
  論文  参考訳（メタデータ） (2025-05-17T01:24:09Z)
• Vocos: Closing the gap between time-domain and Fourier-based neural vocoders for high-quality audio synthesis [1.4277428617774877]
  フーリエスペクトル係数を直接生成する新しいモデルであるVocosを提案する。 計算効率を大幅に向上し、時間領域のニューラルネットワークのボコーディングアプローチに比べて、桁違いにスピードが向上する。
  論文  参考訳（メタデータ） (2023-06-01T15:40:32Z)
• A Joint Time-frequency Domain Transformer for Multivariate Time Series Forecasting [7.501660339993144]
  本稿では、JTFT(Joint Time-Frequency Domain Transformer)を紹介する。 JTFTは時間と周波数領域の表現を組み合わせて予測を行う。 6つの実世界のデータセットの実験結果から、JTFTは予測性能において最先端のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-05-24T02:37:23Z)
• Incremental Spatial and Spectral Learning of Neural Operators for Solving Large-Scale PDEs [86.35471039808023]
  Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。 iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。 提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
  論文  参考訳（メタデータ） (2022-11-28T09:57:15Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)

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。