論文の概要: DenoFlow: Flow Matching for SSVEP Denoising under Real Physiological Artifacts
- arxiv url: http://arxiv.org/abs/2610.08817v1
- Date: Thu, 24 Sep 2026 03:07:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 16:33:44.542722
- Title: DenoFlow: Flow Matching for SSVEP Denoising under Real Physiological Artifacts
- Title（参考訳）: DenoFlow: 現実の生理的人工物下でのSSVEPのフローマッチング
- Abstract要約: 本稿では,SSVEPをトランスポートとしてデノベーションするDenoFlowを提案する。
汚染された試行からクリーンなものへの直接マップを学習する代わりに、フィールドネットワークはそれらの間のストレートパスの速度を遅らせる。
DenoFlowは信号の忠実度と下流の復号精度の両方で7つのベースラインの復号化モデルより優れていた。
- 参考スコア（独自算出の注目度）: 14.436141340572734
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalography (EEG)-based brain-computer interfaces (BCIs), particularly steady-state visual evoked potential (SSVEP) systems, are highly vulnerable to noise and artifacts, which severely degrade decoding accuracy. Although recent denoising approaches have shown promise, they are fitted without paired ground truth, can settle on reproducing their input, and are optimized on waveform distance alone, which says nothing about whether the output stays decodable. To address these issues, we propose DenoFlow, which casts SSVEP denoising as transport: instead of learning a direct map from a contaminated trial to a clean one, a field network regresses the velocity of the straight path between them, following the rectified-flow formulation, and denoising integrates that field forward from the observation. The field network is an encoder-decoder that sees the contaminated trial at every layer and the path position at its bottleneck, and a classifier trained alongside it supervises the integrated output. Because the observation itself is both the conditioning input and the starting point of the integration, the model never generates a trial from noise, and training reduces to regression, removing the adversarial min-max game. To obtain paired data on datasets with no ground truth, we injected physiological artifacts of the recorded electromyography (EMG) and electrooculography (EOG) signals under a controlled signal-to-noise target. Experiments on two public SSVEP datasets with five popular SSVEP decoders showed that DenoFlow outperformed seven baseline denoising models on both signal fidelity and downstream decoding accuracy. Code is available at https://github.com/wzwvv/DenoFlow.
- Abstract（参考訳）: 脳波(EEG)に基づく脳-コンピュータインターフェース(BCI)、特に定常視覚誘発電位(SSVEP)システムは、ノイズやアーティファクトに対して非常に脆弱であり、復号精度を著しく低下させる。
最近のデノナイジングアプローチは有望であるが、それらはペアの真実なしに適合し、入力の再生に落ち着き、波形距離だけに最適化され、出力がデノオード可能かどうかについては何も述べていない。
汚染された試行からクリーンなものへ直接マップを学習する代わりに、フィールドネットワークは、修正フローの定式化に従って、それらの間の直線経路の速度を回帰し、そのフィールドを観測から前方へ積分する。
フィールドネットワークはエンコーダ・デコーダであり、全ての層で汚染された試行とボトルネック時の経路位置を観察し、同時に訓練された分類器が統合出力を監督する。
観測自体が条件入力と積分の開始点の両方であるため、モデルはノイズから試行を生成せず、トレーニングは回帰に還元され、敵のmin-maxゲームは削除される。
地上の真実を示さずにデータセットのペアデータを得るため、制御された信号対雑音のターゲット下で、記録された筋電図(EMG)と電図信号(EOG)の生理的アーティファクトを注入した。
5つの人気のあるSSVEPデコーダを用いた2つの公開SSVEPデータセットの実験では、DenoFlowは信号の忠実度と下流の復号精度の両方で7つのベースラインデノーミングモデルを上回った。
コードはhttps://github.com/wzwvv/DenoFlow.comで入手できる。
関連論文リスト
- One-Step Is Optimal: Unconditional Rectified Flows are Noise2Noise Denoisers, and Multi-Step Integration Provably Hurts---A Benchmark and Task-Based Detectability Study on Low-Dose CT [5.0448084246428015]
多段階統合は、クリーン信号分布よりもノイズの多いデータ分布で終了するため、MMSEソリューションから確実に離脱する。
マッチした雑音のペアで訓練されたワンステップ回帰器は、最高のラベルなし結果(+1.99$,dB)を与える。
論文 参考訳（メタデータ） (2026-09-15T19:53:47Z) - Land-then-transport: A Flow Matching-Based Generative Decoder for Wireless Image Transmission [38.71668959954467]
低遅延デコーディングのためのフローマッチング生成デコーダを提案する。
JPEG2000+LDPC、DeepJSCC、拡散ベースラインに対して一貫した利得を示す実験がある。
LTTは、無線画像デコード生成のための決定論的、物理的に解釈可能、効率的なフレームワークを提供する。
論文 参考訳（メタデータ） (2026-01-12T13:09:37Z) - SimFlow: Simplified and End-to-End Training of Latent Normalizing Flows [37.7899995917052]
分散(VAEエンコーダによって予測される)を定数に修正する方法を見つける。
ImageNet $256 256$ 生成タスクでは、我々のモデル SimFlow が gFID スコア 2.15 を取得し、最先端のSTARFlow (gFID 2.40) よりも優れている。
SimFlowは、エンドツーエンドの表現アライメントアライメント(REPA-E)メソッドとシームレスに統合することができ、改良されたgFID 1.91を実現し、NF間の新しい状態を設定する。
論文 参考訳（メタデータ） (2025-12-03T18:59:57Z) - Unsupervised CP-UNet Framework for Denoising DAS Data with Decay Noise [13.466125373185399]
分散音響センサ(DAS)技術は光ファイバーケーブルを利用して音響信号を検出する。
DASは、ジオフォンよりも低い信号対雑音比(S/N)を示す。
これにより、S/Nの低減は、反転と解釈を含むデータ解析に悪影響を及ぼす。
論文 参考訳（メタデータ） (2025-02-19T03:09:49Z) - Comparison of Autoencoder Encodings for ECG Representation in Downstream Prediction Tasks [2.2616169634370076]
自動エンコーダ(SAE)、Annealed beta-VAE(Abeta-VAE)、Cbeta-VAE(Cbeta-VAE)の3種類の新しい変分自動エンコーダ(VAE)を導入した。
アベタVAEは、信号ノイズのレベルである平均絶対誤差(MAE)を15.7プラス3.2マイクロボルトに減らした。
以上の結果から,これらのVAE符号化はECGデータの簡易化だけでなく,限られたラベル付き学習データを用いた文脈での深層学習の実践的解決にも有効であることが示唆された。
論文 参考訳（メタデータ） (2024-10-03T19:30:05Z) - Direct Unsupervised Denoising [60.71146161035649]
教師なしのデノイザは、MMSE推定のような単一の予測を直接生成しない。
本稿では,VAEと並んで決定論的ネットワークを訓練し,中心的な傾向を直接予測するアプローチを提案する。
論文 参考訳（メタデータ） (2023-10-27T13:02:12Z) - 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) - Adversarial Distortion Learning for Medical Image Denoising [43.53912137735094]
本稿では,2次元および3次元(2D/3D)のバイオメディカル画像データから,新たな逆歪み学習法を提案する。
提案されたADLは2つの自動エンコーダで構成されている。
デノイザとディスクリミネータはどちらも、Efficient-Unetと呼ばれる自動エンコーダをベースとしている。
論文 参考訳（メタデータ） (2022-04-29T13:47:39Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Bridging the Gap Between Clean Data Training and Real-World Inference
for Spoken Language Understanding [76.89426311082927]
既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。
本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。
広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
論文 参考訳（メタデータ） (2021-04-13T17:54:33Z)
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。