极致保真：基于 KAN 的高保真音频表示
声音
2025-11-04 v3 计算机视觉与模式识别
音频与语音处理
摘要
隐式神经表示（INR）因能高效编码多媒体数据而备受关注，但其在音频信号领域的应用仍然有限。本研究引入 Kolmogorov-Arnold Network（KAN）作为一种使用可学习激活函数的新架构，将其作为音频表示的有效 INR 模型。KAN 展现出优于以往 INR 的感知性能，对于 1.5 s 音频实现了最低的 1.29 Log-SpectralDistance 和最高的 3.57 Perceptual Evaluation of Speech Quality。为扩展 KAN 的效用，我们提出了 FewSound，这是一种基于超网络的架构，用于增强 INR 参数更新。FewSound 优于最先进的 HyperSound，在 MSE 上提升了 33.3%，在 SI-SNR 上提升了 60.87%。这些结果表明 KAN 是一种稳健且适应性强的音频表示方法，具有可扩展并集成至各种超网络框架的潜力。源代码可在 https://github.com/gmum/fewsound.git 获取。
引用
@article{arxiv.2503.02585,
title = {As Good as It KAN Get: High-Fidelity Audio Representation},
author = {Patryk Marszałek and Maciej Rut and Piotr Kawa and Przemysław Spurek and Piotr Syga},
journal= {arXiv preprint arXiv:2503.02585},
year = {2025}
}
备注
Accepted to the 34th ACM International Conference on Information and Knowledge Management (CIKM '25)