MMJun, 2023

基于扩散式随机再生模型的风噪音降低

PDF
TL;DR本文提出了一种基于扩散的随机再生模型的单通道风噪声降噪方法，该方法结合了预测和生成建模，引入了一种非加性的噪声模型以解决膜的非线性变形和可能的剪切问题。通过数据集的实验和测试结果表明，所提出的随机再生模型优于其他基于神经网络的风噪声降噪方法以及纯预测和生成模型，且该方法具有较强的通用性。
wind noise reductiondiffusion-based stochastic regeneration modelpredictive modelinggenerative modelingnon-additive speech in noise model
发现论文，激发创造
  • 生成扩散模型的噪声估计

    本文提出一种简单而通用的学习方案，可针对任何给定步骤逐步调整噪声参数，从而显著提高类比扩散模型的综合结果。

    Apr, 2021

  • DiffWave：一种用于音频合成的通用扩散模型

    本文介绍了 DiffWave，这是一种用于条件和非条件波形生成的多功能扩散概率模型。该模型高效地通过 Markov 链将白噪声信号转化为结构化波形，并通过特定的数据似然变分界限进行优化训练。DiffWave 在各种波形生成任务中均能生成高保真度音频，并在音频质量方面显著优于其他自回归和 GAN-based 波形模型。

    Sep, 2020

  • 基于扩散型生成模型的无监督语音增强

    最近，条件评分驱动扩散模型在监督式语音增强领域引起了显著关注，取得了最先进的性能。然而，这些方法在泛化到未见条件时可能面临挑战。为了解决这个问题，我们引入了一种在无监督方式下操作、利用扩散模型的生成能力的替代方法。具体而言，训练阶段，在短时傅里叶变换（STFT）领域中使用评分驱动扩散模型学习了干净语音的先验分布，使其能够从高斯噪声中无条件地生成干净语音。然后，我们开发了一种通过将学习的干净语音先验与噪声模型结合起来进行语音增强的后验采样方法。噪声参数通过迭代的期望最大化（EM）方法与干净语音估计同时学习。据我们所知，这是第一个探索基于扩散的生成模型用于无监督语音增强的工作，与最近的变分自编码器（VAE）无监督方法和最先进的基于扩散的监督方法相比，取得了有希望的结果。因此，它为未来的无监督语音增强研究开辟了新的方向。

    Sep, 2023

  • DiffAR: 去噪扩散自回归模型用于原始语音波形生成

    本文提出了一种基于扩散的概率端到端模型，用于生成原始语音波形，该模型通过自回归的方式顺序生成重叠帧，可以实现无限语音时长的合成，并保持高保真度和时间连贯性，通过直接处理波形具有优势，可以创建局部声学行为，同时该模型是随机的，生成略有差异的波形变体，实验结果表明相较于其他最先进的神经语音生成系统，所提出的模型具有更高的合成质量。

    Oct, 2023

  • 用于生成性语音增强的单步和少步扩散

    通过两阶段训练方法，我们解决了扩散模型在语音增强中的潜在问题，实现了与基准模型相当的性能，缩短了推理过程时间，并显著优于扩散基线模型。

    Sep, 2023

  • 基于生成扩散模型的射频无线信道建模与采样

    本文提出了一种基于扩散模型的信道采样方法，用于快速合成有限数据中的信道实现。实验证明，相比于基于 GAN 的方法，该基于扩散模型的方法在训练稳定性和生成多样性方面表现更好，并且可以使用有限数据对真实世界信道进行建模。

    Aug, 2023

  • 基于自适应降噪技术和时域卷积网络的风电场超短期多步风速预测

    提出了一种基于数据降噪技术、时序卷积网络（TCN）和门控循环单元（GRU）的新型风速预测模型，通过数据降噪、特征提取和序列预测实现了具有高精度和强稳定性的风速预测，为风电场的运行和管理提供了支持。

    Nov, 2023

  • 音频修复的扩散模型

    基于扩散模型的音频修复算法在语音增强和音乐修复任务中表现出色，既具有可解释性又具有出色的音质性能。

    Feb, 2024

  • 扩散模型实现逼真噪声合成

    该研究论文提出了一种基于扩散模型的合成逼真噪声的新方法，用于为困难获得真实数据的情景下的训练去噪模型提供大量高质量的数据，并在多个基准测试上证明了其方法的优越性.

    May, 2023

  • 通过内容传递减少数据分布恢复步骤以加快扩散模型中的语音合成

    通过使用扩散过程中前向时间步的不同输出作为目标，该论文提出了一种降低预测误差幅度、减少训练时间的方法，通过神经网络层逐步去噪最终生成清晰音频，该技术在时间效率和音频质量上超越了现有的先进工具并具有良好的泛化能力。

    Sep, 2023