Навчання реконструкції з насичених даних: аудіо розклиптинг та зображення з високим динамічним діапазоном
https://ift.tt/KJmV8uI
Методи на основі навчання тепер повсюдні для розв’язання зворотних задач, але їх використання у реальних застосунках часто стримує відсутність опорних даних для навчання. Недавні стратегії самонавчання без нагляду пропонують обіцяючу альтернативу, уникаючи потреби у ground truth. Проте більшість існуючих методів обмежені лінійними зворотними задачами. Ця робота розширює самонавчання без нагляду до нелінійної задачі відновлення аудіо та зображень з обірваних вимірювань, припускаючи, що розподіл сигналу приблизно інваріантний до змін амплітуди. Ми надаємо достатні умови для навчання реконструкції лише з насичених сигналів та самонавчальну втрату, яку можна використати для тренування мереж реконструкції. Експерименти з аудіо та зображеннями показують, що запропонований підхід майже так ефективний, як повністю наглядувані методи, попри використання лише обірваних вимірювань для навчання.
HI-FI News
через штучний інтелект https://ift.tt/DY4Tpre
27 лютого 2026 о 04:29 заранку
February 27, 2026 at 04:29AM
Залишити відповідь