Jun, 2023

基于评分的信号源分离及其在数字通信中的应用

PDF
TL;DR提出了一种基于扩散生成模型的分离叠加源的新方法，通过最大后验估计和多重水平的高斯平滑指导下的 α 后验来建立新的目标函数，应用于射频系统，旨在恢复编码比特，实验结果表明，相比于经典和现有学习方法，我们的方法可以将误码率降低 95％。
source separationgenerative modelsradio-frequency systemsbit error ratescore distillation sampling
发现论文，激发创造
  • 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

  • 使用预训练的 Diffusion 模型改善源分离

    本文研究了语音分离问题，通过将分离模型和扩散模型的输出线性相结合，并利用学习到的权重来实现在多说话人的同时达到前所未有的语音分离效果，从而推翻了先前成立的基于人类语音确定性模型的上界限制。

    Jan, 2023

  • 使用生成先验进行无监督音频源分离

    通过将生成先验训练于各个单独的源上，利用梯度下降优化方法同时在这些源特定的潜在空间中搜索，以有效地恢复各个成分来源，并且通过在飞行中优化使用频谱失真函数而非直接定义波形 GAN 生成先验可以获得良好质量的源估计，我们针对语音数字和乐器数据集的实证研究表明，与传统的与最先进的无监督基线相比，我们的方法的有效性。

    May, 2020

  • 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

  • 上下文监督源分离及其在能源分解中的应用

    提出了一种新的单通道源分离框架，采用凸优化方法以无监督的方式来估计不同信号之间的互相关性，应用于智能电表数据的能源分离，达到了比无监督方法更优的分离效果。

    Dec, 2013

  • 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

  • 远场语音识别的神经盲分离和发言者划分

    本文提出了一种神经方法，用于远程语音识别（DSR），它能够在没有隔离信号的监督情况下，同时分离和解麦克风混合的语音，并没有未知数量的活跃说话者。

    Jun, 2024

  • 魔术师：基于样本的最大熵源分布估计

    我们提出了一种用于推断科学模拟器参数的唯一源分布的方法，并尽可能保留更多的不确定性。

    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

  • 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