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
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
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。
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。
本文介绍了非负矩阵分解的稀疏特征提取功能,并探讨了如何解决通常情况下 NP 困难的 NMF 问题,介绍了一个称为近可分离 NMF 的问题子类,可以高效地解决一些在有噪声的情况下的 NMF 问题。最后简要描述了 NMF 在数学和计算机科学领域的若干相关问题。
Jan, 2014
该文介绍了一种利用录音设置中获取到的空间信息进行声源分离的新方法。该方法通过使用独奏段落训练一个空间混合滤波器,以捕捉每个传感器位置的房间冲击响应和传感器响应的信息。然后将这个预训练的滤波器集成到多通道非负矩阵因式分解(MNMF)方案中,以更好地捕捉不同声源的方差。实验证明,该方法在多声部合奏中能够有效地分离个别声源,并比传统的 MNMF 方法表现更出色。
Oct, 2023
本研究提出了将源分离和对抗表示学习两种常用方法结合在隐私保护中的智能声学监测系统中,通过学习音频记录的潜在表示,实现区分语音和非语音记录,从而有效提高语音隐私保护,同时在声学监测任务中保持良好的性能。
Aug, 2023
通过结合相关对象,无监督机器学习技术旨在揭示数据集中的潜在模式。在本文中,我们提出了一项关于多模态聚类算法的研究,并提出了一种名为多模态多视图非负矩阵分解的新方法,其中我们分析了多个局部 NMF 模型的协同作用。实验结果表明,所提出的方法具有较大的价值,并使用多种数据集进行评估,相比于现有的方法,获得了非常有前景的结果。