生成对抗源分离
通过对极小化和生成式学习的对抗训练方法,我们提出了最大差异生成式正则化的新方法,并应用于非负矩阵分解的源分离问题,实验证明在有限或无监督数据情况下重建信号的质量有明显改进。
Mar, 2024
本文介绍了一种对于非负矩阵分解 (NMF) 的对抗训练方法,用于解决源分离问题,通过避免不必要的信号特征的表示此方法可以提高重构信号的精度,尤其在缺乏充足监督数据的情况下有着很好的应用表现。
Apr, 2023
本文介绍了一种神经网络,可以代替非负矩阵分解(NMF),并进一步展示如何用它实现监督源分离。由于这种方法的可伸缩性,我们展示了如何实现比 NMF 方法更好的源分离性能,以及提出了多种可用于进一步提高性能的衍生结构。
Sep, 2016
本文利用生成对抗网络(GAN)和时频掩模函数提出了一种新的人声分离框架,通过在对抗训练过程中进行混合谱分布和清洁谱分布之间的近似来进行分离,利用监督学习初始化参数并利用无监督学习进行优化,实验结果表明该框架可以提高音频分离效果。
Oct, 2017
本论文提出了一种基于对抗生成网络和优化算法的合成 - 分解方法,可用于单通道信号分离和反卷积,能够识别混合信号中的各个源,实现了峰值信噪比的提高。
Jun, 2019
本文介绍了一种使用生成对抗网络(GAN)的统计参数语音合成方法,相比于传统的最小生成误差训练算法,该方法能够更自然地生成语音波形,并有效缓解了生成语音参数的平滑问题。我们还研究了不同 GAN 之间的差异,并发现最小化 Earth-Mover 距离的 Wasserstein GAN 可以最大程度地提高合成语音的质量。
Sep, 2017
对 GANs 和 VAEs 进行贝叶斯非参数方法的融合,使用 Wasserstein 和最大均值差异度量在损失函数中结合以学习潜在空间并生成多样且高质量的样本,实现在异常检测和数据增强等各种生成任务中卓越性能的新型模型,进一步通过在代码空间中引入额外的生成器来增强模型的能力,可用于各种应用的更强大的生成模型。
Aug, 2023
本篇论文提供了一个新的原则,即利用生成模型的层次结构将自编码器与生成对抗网络相结合,以防止学习到的生成模型中的模式崩溃,并使用区分器学习合成可能性和隐式后验分布。
Jun, 2017
本研究使用 Lipschitz 连续的 embedding 以及 wavelet Scattering transform 计算深度卷积生成网络,不需要被鉴别器或编码器优化,并且具有类似 GAN 或 VAE 的属性。
May, 2018