Difuzní neuronové sítě pro opravu poškozených audio signálů

Abstract

Bakalářská práce se zabývá využitím difuzního aposteriorního vzorkování pro rekonstrukci poškozených audio signálů se zaměřením na declipping. V rámci této metody jsou z Gaussovského šumu generovány vzorky audio signálu pomocí difuzního U-net modelu neuronové sítě, využívajícího Constant-Q transformaci. Kvalita rekonstrukce je otestována objektivními metrikami. Výsledky práce jsou v závěru zhodnoceny.The bachelor thesis deals with the use of diffusion posterior sampling for the reconstruction of corrupted audio signals with a focus on declipping. With this method, audio samples are generated from Gaussian noise using a U-net model of a diffusion neural network employing the Constant-Q transform. The reconstruction quality is tested by objective metrics. The results of the work are finally evaluated.