- ProCNS: 弱监督医学图像分割的渐进式原型校准和噪声抑制
本文提出了一种名为 ProCNS 的弱监督分割(WSS)方法,包括两个协同模块,旨在提供更可靠的指导并降低噪声干扰,通过最大化空间和语义元素之间的成对关联来扩展稀疏注释,并在医学图像分割任务中显著优于现有的代表性方法。
- 基于极低复杂度深度学习的噪声抑制
一种创新的方法用于在资源受限设备上实时语音增强的深度神经网络计算复杂度的减少,该方法利用两阶段处理框架,采用通道特征重定向来降低卷积运算的计算负荷,并结合改进的功率定律压缩技术以实现与最先进方法相当的噪声抑制性能,但具有显著较少的计算要求。 - CheapNET: 通过投影损失函数改进轻量级语音增强网络
噪声抑制和回声消除对于语音增强至关重要,是智能设备和实时通信的基础,而这些算法必须保证高效实时推断和低计算需求。我们提出了一种新的投影损失函数,用于增强噪声抑制效果,并且能够直接在 LAEC 预处理输出上进行回声消除的预测,从而显著提高模型 - 基于光照透射比估计的低光照图像增强
本文提出了一种基于 Retinex 的新方法 ITRE,可以同时抑制噪声和伪影,防止曝光过度,并通过聚类、基础模型构建、过曝光模块和鲁棒性保护模块来改进图像增强过程的稳定性。实验证明,与现有方法相比,我们的方法在抑制噪声、防止伪影和控制曝光 - 利用合成活性微粒进行物理储层计算
用合成主动微粒系统进行物理储水池计算,其中自组织和噪音抑制起到关键作用。
- 基于对比增强和降噪的生物启发夜间图像增强
本文提出了一种基于生物启发的图像增强算法,能够大大提高低光照图像的亮度和对比度,同时抑制噪声,并在实验和仿真实验中证明了该算法的优越性。
- DeepVQE: 实时深度语音质量增强,用于联合声学回声消除、噪音抑制和除混响
本文提出了一个名为 DeepVQE 的基于深度学习模型的实时交叉关注方法来同时解决声学回声消除,噪声抑制和混响消除等多种语音处理问题,并在 2023 年 ICASSP 的测试集上取得了最佳性能表现。
- DAS-N2N: 无需干净数据的机器学习分布式声学传感(DAS)信号去噪
本研究提出了一种弱监督的机器学习方法 DAS-N2N,用于抑制分布式声学传感(DAS)记录中的强随机噪声,该方法无需手动标记和先验知识训练,仅使用两个 DAS 通道的噪声数据进行深度学习,可以实现高效地噪声去除和提高观测信号质量。在南极洲 - 在 VoIP 平台上提高感知质量、可懂性和声学表现
本文提出了一种适用于 VoIP 应用的深度噪声抑制模型的微调方法,并通过使用多任务学习框架联合优化噪声抑制和特定于 VoIP 的声学,表明该方法优于行业绩效和最先进的语音增强方法,并展示了 DNS-2020 模型在不同 VoIP 平台上具有 - MM循环交互式生成对抗网络:用于鲁棒无监督低光增强
本研究提出了一种新的无监督低光图像增强方法,使用 Cycle-Interactive Generative Adversarial Network 技术,既可以更好地转移低 / 普通光照图像之间的光照分布,也可以操纵两个域之间的详细信号,例 - ACL小规模强标注数据和大规模弱标注数据的命名实体识别
本文提出了一种多阶段计算框架,名为 NEEDLE,通过采用弱标签完成、噪声感知丢失函数和有强力标签的最终微调等三种关键要素,有效抑制了弱标签的噪音,提高了 Biomedical NER 的性能。
- 一种可扩展的嘈杂语音数据集和在线主观测试框架
本研究提出了一种可以按任意讲话者数量、噪声类型和语音信噪比水平进行横向扩展的 MS-SNSD 有噪语音数据集,在这个基础上,研究者们推出了开源的评估方法,通过客观质量衡量标准和主观意见评分相互印证提升了 语音增强算法的性能。
- ICCV自监督深度去噪
本研究提出一种基于自监督学习的全卷积深度自编码器,通过利用不同视角下的多个场景生成的多视点数据,结合深度和颜色信息,在训练期间去除噪声,在推理期间仅利用深度信息,有效地提高深度去噪效果。
- 基于序列分解的联合增强和降噪方法
本文提出了一种联合的低光增强和去噪策略,通过 Retinex 模型基于分解进行顺序处理,对每个组件强制施加空间平滑性,巧妙地利用权重矩阵来抑制噪声和提高对比度,实现了对低光图像的有效增强和去噪。
- MM实时全频段语音增强的混合 DSP / 深度学习方法
本研究提出了一种基于深度学习和数字信号处理混合的方法来实现噪声抑制,该方法使用了四层隐含层的深度神经网络来估计关键频带增益,并采用传统的基音滤波器抑制谐波之间的噪声,相比于传统的最小均方误差谱估计,该方法获得了显著更高的质量,在复杂度低到足 - 多通道端到端语音识别
本研究论文扩展了端到端的框架,以包含麦克风阵列信号处理以进行噪声抑制和语音增强,并能够共同优化束形成和识别架构。实验结果表明,我们的多通道端到端系统在去噪和语音增强任务上表现更好。
- MM使用循环神经网络优化动力解耦量子存储
利用基于循环神经网络的机器学习模型来优化动力解耦(DD)序列,通过对比实验结果表明该方法能够提高量子存储器的性能和噪声抑制,且易于在实验中执行。
- 开放量子系统的动力学解耦
提出了一种用于控制开放式量子系统的新型动力学方法,可以过滤掉不需要的系统 - 环境相互作用的影响并结合保持开放式量子系统的有效动力学演化控制。该方法在实现量子信息处理方面具有潜在的应用价值。