HyperAIHyperAI

Command Palette

Search for a command to run...

TUNet : Un modèle d'extension de bande passante en ligne par blocs basé sur les Transformers et l'auto-encodage supervisé

Viet-Anh Nguyen Anh H. T. Nguyen Andy W. H. Khong

Résumé

Nous présentons une variante par bloc en ligne du modèle de modulation linéaire temporelle caractéristique par caractéristique (TFiLM) pour réaliser l'extension de bande. L'architecture proposée simplifie le squelette UNet du TFiLM afin de réduire le temps d'inférence et utilise un transformateur efficace au niveau du goulot d'étranglement pour atténuer la dégradation des performances. Nous utilisons également un pré entraînement auto-supervisé et des techniques d'augmentation de données pour améliorer la qualité des signaux à bande étendue et réduire la sensibilité aux méthodes de sous-échantillonnage. Les résultats expérimentaux sur l'ensemble de données VCTK montrent que la méthode proposée surpasse plusieurs lignes de base récentes, tant dans les métriques intrusives que non intrusives. Le pré entraînement et l'augmentation des filtres contribuent également à stabiliser et à améliorer les performances globales.


Créer de l'IA avec l'IA

De l'idée au lancement — accélérez votre développement IA avec le co-codage IA gratuit, un environnement prêt à l'emploi et le meilleur prix pour les GPU.

Codage assisté par IA
GPU prêts à l’emploi
Tarifs les plus avantageux

HyperAI Newsletters

Abonnez-vous à nos dernières mises à jour
Nous vous enverrons les dernières mises à jour de la semaine dans votre boîte de réception à neuf heures chaque lundi matin
Propulsé par MailChimp
TUNet : Un modèle d'extension de bande passante en ligne par blocs basé sur les Transformers et l'auto-encodage supervisé | Articles | HyperAI