Score-based Source Separation with Applications to Digital Communication Signals

要約

拡散ベースの生成モデルを使用して、重畳された音源を分離するための新しい方法を提案します。
私たちの方法は、独立したソースの個別にトレーニングされた統計的事前分布のみに依存し、複数レベルのガウス平滑化にわたる $\alpha$-事後推定による最大の事後推定によって導かれる新しい目的関数を確立します。
無線周波数 (RF) システムでの応用を動機として、私たちは、基礎となる離散的性質を持つソースと、ビット誤り率 (BER) によって測定される対象信号からのエンコードされたビットの復元に興味を持っています。
RF 混合を用いた実験結果は、私たちの方法が古典的な方法や既存の学習ベースの方法と比べて BER が 95% 削減されることを示しています。
私たちの分析は、私たちが提案した方法が、基礎となる離散分布のモードに漸近的に近づく解をもたらすことを示しています。
さらに、私たちの方法は、最近提案されたスコア蒸留サンプリングスキームのマルチソース拡張として見ることができ、条件付きサンプリングを超えたその使用法にさらなる光を当てます。
プロジェクトの Web ページは https://alpha-rgs.github.io で入手できます。

要約(オリジナル)

We propose a new method for separating superimposed sources using diffusion-based generative models. Our method relies only on separately trained statistical priors of independent sources to establish a new objective function guided by maximum a posteriori estimation with an $\alpha$-posterior, across multiple levels of Gaussian smoothing. Motivated by applications in radio-frequency (RF) systems, we are interested in sources with underlying discrete nature and the recovery of encoded bits from a signal of interest, as measured by the bit error rate (BER). Experimental results with RF mixtures demonstrate that our method results in a BER reduction of 95% over classical and existing learning-based methods. Our analysis demonstrates that our proposed method yields solutions that asymptotically approach the modes of an underlying discrete distribution. Furthermore, our method can be viewed as a multi-source extension to the recently proposed score distillation sampling scheme, shedding additional light on its use beyond conditional sampling. The project webpage is available at https://alpha-rgs.github.io

arxiv情報

提供元, 利用サービス

arxiv.jp, Google