Il prossimoProssima guida
Kit di strumenti di riconoscimento vocale Kaldi
IA audio
GUIDA AI audio
Noise2Noise addestra un modello di ripristino a partire da coppie di osservazioni corrotte dello stesso segnale sottostante, senza richiedere un target pulito.
Ascolta questa guidaNarrato dall'IA · ~2 min
The statistical argument depends on suitable corruption assumptions; the 2018 paper demonstrates image restoration tasks, while the same principle can be considered for speech when valid noisy pairs are available.
Noise2Noise showed that a model can learn restoration from corrupted input-target pairs rather than clean targets. For a squared-error objective, the optimal prediction is the conditional mean of the target given the input. If target corruption has zero conditional mean given the input and shares the same underlying clean signal, this mean can equal the clean signal. These assumptions are important: correlated or biased corruptions can remain in the learned estimate. The original paper demonstrated photographic noise removal, synthetic Monte Carlo denoising, and undersampled MRI reconstruction; applying the method to speech likewise requires suitably paired noisy versions of the same utterance.
Training restoration models from repeated noisy captures of the same source when clean references are unavailable
Studying noisy speech enhancement when paired recordings share the same utterance and have suitable independent corruptions
Learning from noisy photographic, synthetic Monte Carlo, or undersampled MRI examples as in the paper
Comparing supervised clean-target training with noisy-target training under matched assumptions
Noise2Noise ha aperto una famiglia di metodi di denoising autocontrollati, tra cui Noise2Void e Noise2Self, che riducono ulteriormente i requisiti verso l'apprendimento da singoli campioni rumorosi. Per quanto riguarda il parlato, ci si aspetta che queste idee potenzino il miglioramento sul dispositivo per apparecchi acustici, chiamate e registrazioni sul campo in cui la raccolta di riferimenti puliti non è pratica. Combinati con i vocoder generativi, i sistemi futuri potrebbero non solo sottrarre il rumore ma ricostruire plausibilmente il contenuto vocale mascherato o distrutto rimanendo fedeli a chi parla.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Noise2Noise trains a restoration model from pairs of corrupted observations of the same underlying signal, without requiring a clean target. The statistical argument depends on suitable corruption assumptions; the 2018 paper demonstrates image restoration tasks, while the same principle can be considered for speech when valid noisy pairs are available.
Noise2Noise ha dimostrato che è possibile addestrare un denoiser efficace utilizzando solo coppie di esempi corrotti, senza obiettivi puliti.
Poiché il rumore del target è casuale e indipendente dall'input, la rete non può prevederlo e converge invece al valore atteso pulito.
Expected squared error is minimized by the conditional mean; with suitable paired-corruption assumptions, it can match the clean signal.
Il rumore target deve essere a media zero e statisticamente indipendente dal rumore in ingresso, in modo da ottenere una media durante l'addestramento.
Expected absolute error is minimized at a conditional median; this does not guarantee clean recovery without suitable corruption assumptions.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Kit di strumenti di riconoscimento vocale Kaldi
IA audio