May, 2023

火星时间序列揭示：多尺度嵌套方法与因子变分自编码器

PDF
TL;DR该论文提出了一种利用小波散射协方差的无监督多尺度聚类和源分离框架，通过将信号转化为低维空间中的散射协方差表示，并使用高斯混合自编码器对不同尺度的信号进行概率聚类，以实现源的分离。该方法在火星 NASA InSight 任务记录的地震数据中进行了验证。
unsupervised source separationwavelet scattering covariancesmulti-scale clusteringfactorial gaussian-mixture variational autoencoderseismic data
发现论文，激发创造
  • 音源分离基于潜在变分分块解缠

    混合经典数字信号处理 / 深度神经网络的方法用于源分离任务，通过设计合理的潜在空间，将单通道欠定的源分离问题转化为等效的多通道过定的问题，并使用变分块间分离表征混合信号，通过经典信号处理理论结果的启发，提出可靠性更强、过拟合风险降低的模型。

    Feb, 2024

  • 潜在自回归源分离

    本论文介绍了一种名为 LASS 的矢量量化潜在自回归源分离方法，通过贝叶斯公式和构建离散概率密度函数来实现无需额外微调和修改现有模型即可将输入信号分离成其成分源，该方法在图像和音频分离方面表现出具有竞争力的结果。

    Jan, 2023

  • 使用深度自编码器进行音频源分离

    该论文提出了一种利用深度自编码器进行无监督音频源分离的新框架，在适当配置的自编码器的帮助下，通过对编码器向量进行聚类，自动分离混合输入中未知源信号的特征。通过调查权重向量并对激活系数在代码层进行聚类，观察了频域中音频信号的原始组件。通过使用属于不同聚类的代码向量，分离并重构原始源声音。虽然回复的音频不是完美的，但在许多实际应用中可能会产生有希望的结果。

    Dec, 2014

  • 无监督学习序列数据的分离和可解释表示

    本文提出一种分解的分层变分自动编码器，能够在无监督的情况下从序列数据中学习分离和可解释的表征。该模型基于多尺度信息的分层结构，实现了针对不同潜变量集合的序列依赖先验和序列无关先验。通过在两个语音语料库上的实验，表明该模型能够通过操纵不同的潜变量集合来转换说话人或语言内容，并在说话人验证和自动语音识别任务中优于基线模型。

    Sep, 2017

  • 可微分参数源模型的无监督音乐源分离

    本文提出了一种无监督的基于模型的深度学习方法，用于音频源分离，该方法通过参数化源过滤器模型对每个源进行建模，并使用神经网络以基本频率估计源模型的参数来重构观察到的混合音频信号，实验证明该方法具有较高的数据效率和好的分离效果。

    Jan, 2022

  • 多源神经变分推断

    本文提出了一个基于可变自编码器的多源学习框架，其中每个自编码器都是在不同的信息源的条件下进行的。我们在小数据集上展示了其学习效果，并在结构化输出预测方面进行了评估，同时证明了在多源情况下冲突检测和冗余可以增强推断的鲁棒性。

    Nov, 2018

  • 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

  • 多通道盲源分离的深度聚类模型无监督训练

    提出了一种通过无监督的空间聚类算法训练深度聚类系统，从而在没有并行清洁数据时从头训练基于神经网络的源分离算法的方案。

    Apr, 2019

  • 多分辨率卷积自编码器实现的原始多通道音频源分离

    本研究提出了一种基于多通道，多分辨率卷积自编码神经网络，通过对原始时域信号进行处理以确定适用于从立体声音乐中分离歌唱声的多分辨率特征，实验结果表明该方法可以实现多通道音频源分离，无需任何手工制作的特征或任何预处理或后处理。

    Mar, 2018

  • 基于变分自编码器的图扩散源定位用于图反问题

    本文提出了一种基于概率模型的通用框架：SL-VAE 来定位任意扩散模式下的扩散源。SL-VAE 利用前向扩散估计模型和深度生成模型，近似扩散源分布并量化不确定性。最后，通过导出一个统一的目标函数，强制模型在任意扩散模式下进行泛化。在 7 个真实世界的数据集上进行的广泛实验表明了 SL-VAE 在重建扩散源方面的优越性。

    Jun, 2022