用于单通道源分离的最大差异生成正则化与非负矩阵分解
数值分析
2024-04-25 v1 机器学习
数值分析
信号处理
机器学习
摘要
正则化泛函的对抗学习近期在反问题的更广泛背景下被引入。该方法背后的直觉在于认识到,不仅要学习构成想要表示的一类信号的基本特征,同样甚至更重要的是,要知道在表示中应避免哪些特征。在本文中,我们将这种方法应用于生成模型的训练,从而提出了我们称之为最大差异生成正则化的方法。具体而言,我们将其应用于通过非负矩阵分解(NMF)进行源分离的问题,并提出了一种用于 NMF 基对抗训练的新方法。我们在图像和音频分离的数值实验中表明,这能够显著改善重建信号,特别是在只有很少或没有强监督数据可用的情况下。
引用
@article{arxiv.2404.15296,
title = {Maximum Discrepancy Generative Regularization and Non-Negative Matrix Factorization for Single Channel Source Separation},
author = {Martin Ludvigsen and Markus Grasmair},
journal= {arXiv preprint arXiv:2404.15296},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2305.01758