基于等变性的自监督学习用于从被剪裁测量中恢复音频信号
音频与语音处理
2024-09-25 v1 信息检索
机器学习
声音
信号处理
摘要
在诸多反问题中，领先的求解策略涉及从 ground truth 和相关测量数据集上训练神经网络，但这些数据集可能昂贵或难以获取。最近涌现出自监督学习技术，主要优势在于不再需要 ground truth 数据。目前大多数理论和实验结果针对的是线性反问题。本工作旨在研究用于从被剪裁测量中恢复音频信号的非线性反问题的自监督学习。提出并研究了一种等变性基于自监督损失。在受控且变化的剪裁程度的仿真被剪裁测量上评估了性能，并在标准真实音乐信号上进一步报告了结果。我们表明，所提出的等变性基于自监督的去剪裁策略性能优于完全监督学习，仅需被剪裁测量即可用于训练。
引用
@article{arxiv.2409.15283,
title = {Equivariance-based self-supervised learning for audio signal recovery from clipped measurements},
author = {Victor Sechaud and Laurent Jacques and Patrice Abry and Julián Tachella},
journal= {arXiv preprint arXiv:2409.15283},
year = {2024}
}