論文の概要: VM-ARRAYDPS: Virtual Microphone Augmented Diffusion Posterior Sampling for Unsupervised Blind Speech Separation
- arxiv url: http://arxiv.org/abs/2610.09334v1
- Date: Wed, 07 Oct 2026 02:50:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.685191
- Title: VM-ARRAYDPS: Virtual Microphone Augmented Diffusion Posterior Sampling for Unsupervised Blind Speech Separation
- Title（参考訳）: VM-ARRAYDPS:教師なしブラインド音声分離のための仮想マイクロホン拡張拡散後サンプリング
- Abstract要約: ブラインド音源分離は信号処理における根本的な問題である。
SNRの高い仮想マイクロホンでマイクロホンアレイを増強するVM-ArrayDPSを提案する。
実験の結果,VM-ArrayDPSは2話者,3話者ともにArrayDPSより有意に優れていた。
- 参考スコア（独自算出の注目度）: 11.507821124981836
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Blind Source Separation(BSS) is a fundamental problem in signal processing, aiming to separate multiple source signals from their mixtures without prior knowledge of the sources or the mixing process. Traditional approaches, such as Independent Vector Analysis (IVA) exploits statistical independence of sources. Recently, diffusion-based approaches have emerged as a promising alternative by leveraging powerful generative priors. Among them, ArrayDPS formulates BSS problem as a posterior sampling problem, and utilizes a pretrained speech diffusion model to guide the recovery of clean source signals. A key factor behind its separation capability is the multi-channel consistency (MC) objective, which enforces the estimated source signals to reconstruct the observed microphone mixtures through the estimated acoustic transfer functions. However, the number of microphones in the array is often limited, which constrains the performance of ArrayDPS. To address this issue, we propose VM-ArrayDPS, a novel method that augments the microphone array with virtual microphones with higher-SNR, these microphones can offer extra MC constraints to enhance the separation performance. Experimental results demonstrate that VM-ArrayDPS significantly outperforms ArrayDPS on both 2-speaker and 3-speaker datasets, showcasing the effectiveness of virtual microphone augmentation in improving BSS performance. We also did ablation studies to show the influence of the number of virtual microphones and weight of the MC objective brought by virtual microphones.
- Abstract（参考訳）: ブラインドソース分離(ブラインドソース分離、BSS)は、信号処理における基本的な問題であり、ソースや混合プロセスの事前の知識なしに、複数のソース信号をそれらの混合物から分離することを目的としている。
独立ベクトル分析(IVA)のような伝統的な手法は、情報源の統計的独立性を利用する。
近年、拡散に基づくアプローチは、強力な生成的先例を活用することで、有望な代替手段として浮上している。
このうち、ArrayDPSは後部サンプリング問題としてBSS問題を定式化し、事前訓練された音声拡散モデルを用いてクリーンソース信号の回復を誘導する。
分離機能の背後にある重要な要素はマルチチャネル整合性(MC)目標であり、これは推定された音源信号を強制して、推定された音響伝達関数を通して観測されたマイクロホン混合物を再構成するものである。
しかし、配列内のマイクロホンの数は制限されることが多く、ArrayDPSの性能が制限される。
この問題を解決するために,仮想マイクロホンアレーを高SNRで拡張するVM-ArrayDPSを提案する。
実験結果から,VM-ArrayDPSは2話者と3話者の両方のデータセットにおいてArrayDPSよりも優れており,BSS性能向上における仮想マイク拡張の有効性が示された。
また,仮想マイクロホンの数と,仮想マイクロホンによるMC目標の重みの影響について,アブレーション研究を行った。
関連論文リスト
- Robust Multimodal Sentiment Analysis via Double Information Bottleneck [55.32835720742616]
マルチモーダル感情分析は様々な研究領域で注目されている。
既存のアプローチでは、ノイズに汚染された単調なデータの学習が不十分である。
本稿では,Double Information Bottleneck(DIB)戦略を提案する。
論文 参考訳（メタデータ） (2025-11-03T10:52:45Z) - High-Quality Sound Separation Across Diverse Categories via Visually-Guided Generative Modeling [65.02357548201188]
DAVIS(Diffusion-based Audio-VIsual separation framework)を提案する。
本フレームワークは、混合音声入力と関連する視覚情報に基づいて、ノイズ分布から直接、所望の分離音スペクトルを合成することによって機能する。
論文 参考訳（メタデータ） (2025-09-26T08:46:00Z) - ArrayDPS: Unsupervised Blind Speech Separation with a Diffusion Prior [15.51525013228644]
ブラインド音声分離(ブラインド音声分離、BSS)は、マイクロフォンアレイによって記録された音声の混合から複数の音声ソースを分離することを目的としている。
本稿では,非教師付き,配列に依存しない,生成的な方法でBSS問題を解決するためのArrayDPSを提案する。
論文 参考訳（メタデータ） (2025-05-08T21:34:35Z) - A Study of Dropout-Induced Modality Bias on Robustness to Missing Video
Frames for Audio-Visual Speech Recognition [53.800937914403654]
AVSR(Advanced Audio-Visual Speech Recognition)システムは、欠落したビデオフレームに敏感であることが観察されている。
ビデオモダリティにドロップアウト技術を適用することで、フレーム不足に対するロバスト性が向上する一方、完全なデータ入力を扱う場合、同時に性能損失が発生する。
本稿では,MDA-KD(Multimodal Distribution Approximation with Knowledge Distillation)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-07T06:06:55Z) - Amplitude-Varying Perturbation for Balancing Privacy and Utility in
Federated Learning [86.08285033925597]
本稿では,フェデレート学習のプライバシを保護するため,時変雑音振幅を持つ新しいDP摂動機構を提案する。
我々は、FLの過度な摂動ノイズによる早期収束を防止するために、シリーズのオンラインリファインメントを導出した。
新しいDP機構のプライバシ保存FLの収束と精度への寄与は、持続的な雑音振幅を持つ最先端のガウスノイズ機構と比較して相関する。
論文 参考訳（メタデータ） (2023-03-07T22:52:40Z) - Diffusion Model Based Posterior Sampling for Noisy Linear Inverse Problems [14.809545109705256]
本稿では、簡単な閉形式近似を確率スコアに提案することにより、高速で効果的な解を提案する。
拡散モデルとフローベースモデルの両方において、様々な雑音線形逆問題に対して広範な実験を行う。
提案手法は,全ての基本手法よりもはるかに高速でありながら,高い競争力あるいはより優れた復元性能を示す。
論文 参考訳（メタデータ） (2022-11-20T01:09:49Z) - Multimodal Speech Enhancement Using Burst Propagation [1.8990839669542956]
本稿では,音声・視覚的音声強調のための新しいマルチモーダルソリューションMBURSTを提案する。
より生物学的に妥当な方法で、信用割当問題に対処するためのいくつかの基準を実装している。
Grid Corpus と CHiME3 ベースのデータセットを用いて行った実験では、MBURST が類似したマスク再構成をマルチモーダルバックプロパゲーションベースのベースラインに再現できることが示されている。
論文 参考訳（メタデータ） (2022-09-07T16:27:34Z) - Adaptive Multi-View ICA: Estimation of noise levels for optimal
inference [65.94843987207445]
Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。
AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。
実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
論文 参考訳（メタデータ） (2021-02-22T13:10:12Z) - Modal Regression based Structured Low-rank Matrix Recovery for
Multi-view Learning [70.57193072829288]
近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。
既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。
本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
論文 参考訳（メタデータ） (2020-03-22T03:57:38Z)
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。