使用生成对抗网络进行单通道信号分离和反卷积

IJCAIJun, 2019

使用生成对抗网络进行单通道信号分离和反卷积

Single-Channel Signal Separation and Deconvolution with Generative Adversarial Networks

Qiuqiang Kong, Yong Xu, Wenwu Wang, Philip J. B. Jackson, Mark D. Plumbley

TL;DR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。

Abstract

single-channel signal separation and deconvolution aims to separate and deconvolve individual sources from a single-channel mixture and is a challenging problem in which no prior knowledge of the mixing filters i

single-channel signal separation deconvolution generative adversarial network optimization peak-to-noise-ratio

发现论文，激发创造

基于生成对抗网络的歌声分离技术 SVSGAN

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

深度神经网络用于单通道信号分离

本文提出了一种使用深度神经网络架构的单通道源分离方法，通过在分离过程中确定 DNN 来分类估计的源谱图以检查其有效性，并将混合信号频谱鼓励写成估计的源谱图的加权和，实现了单通道源分离问题的能量最小化。

Nov, 2013

生成对抗源分离

通过实验表明，使用 Wasserstein-GAN 训练的多层感知器在声源分离方面胜过基于最大似然训练的自编码器、变分自编码器和非负矩阵分解等生成源分离方法。

Oct, 2017

单声道音源分离的最大差异生成正则化和非负矩阵分解

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

基于敌对生成非负矩阵分解的单声道源分离

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

深度生成先验模型用于源分离

本文提出了一种贝叶斯源分离方法，使用生成模型作为混合信号源分离组件的先验，噪声淬火 Langevin 动力学从后验生成分离的信号源，该方法在 MNIST 分离质量和 CIFAR-10 分离质量上实现了最先进的性能，并在 LSUN 上提供了定性结果。

Feb, 2020

双重对抗网络：朝着现实世界的噪声去除与噪声产生

本研究提出了一个新的统一框架，旨在同时处理噪声消除和噪声生成任务，学习清洁 - 噪声图像对的联合分布，通过生成器映射干净图像到噪声图像和去噪器映射噪声图像到干净图像以逼近联合分布。本文还提出了两个衡量生成的噪声图像质量的指标，并在实验中证明了该方法在真实噪声消除和生成任务中的优越性。

Jul, 2020

生成对抗网络恢复超越去卷积极限的星系天体图像特征

使用生成对抗网络训练的方法，能够更好地恢复低信噪比和低角分辨率成像数据中的天体物体的详细特征，从而增加研究天体物体的现有数据集以及未来观测中的能力。

Feb, 2017

联合优化掩码和深度循环神经网络进行单声源分离

该研究探索了使用掩蔽函数和深度递归神经网络进行单声道源分离任务（包括单声道语音分离，单声道歌唱声分离和语音去噪）的联合优化。与现有模型相比，我们的方法在评估数据集中的任务中表现良好，并实现了较大的音频性能提升。

Feb, 2015

应用于歌声分离的对抗半监督音频源分离技术

本文介绍了一种新的音乐源分离算法，使用对抗训练让分离器的输出更加真实，并取得了对于歌声分离的较好效果。

Oct, 2017