|
|
Modern Optimization Methods for Interpolation of Missing Sections in Audio Signals
Mokrý, Ondřej ; Kowalski, Matthieu (oponent) ; Koldovský, Zbyněk (oponent) ; Rajmic, Pavel (vedoucí práce)
Damage to audio signals is in practice common, yet undesirable. Information loss can occur due to improper recording (low sample rate or dynamic range), transmission error (sample dropout), media damage, or because of noise. The removal of such disturbances is possible using inverse problems. Specifically, this work focuses on the situation where sections of an audio signal of length in the order of tens of milliseconds are completely lost, and the goal is to interpolate the missing samples based on the unimpaired context and a suitable signal model. The first part of the dissertation is devoted to convex and non-convex optimization methods, which are designed to find a solution to the interpolation problem based on the assumption of sparsity of the time-frequency spectrum. The general background and some algorithms are taken from the literature and adapted to the interpolation problem, many modifications and experimental approaches are original. The second part of the thesis focuses on the use of non-negative matrix factorization, with which a probabilistic model of the signal spectrogram can be constructed and used for the interpolation of the signal. This model is then used as the basis for a successful reconstruction algorithm, to which two alternative methods are derived in the present thesis. Finally, an extensive experimental validation of the methods on a group of musical signals is conducted. Using objective indicators of the quality of the interpolated signal, it is shown, that in each class of methods, the proposed modifications lead to a noticeable improvement in quality or convergence over the baseline methods. In particular, within the studied range of impairments, algorithms using factorization compete with the current best methods for interpolating missing sections of the audio signal.
|
|
|
Metody pro zvýšení bitové hloubky fotografií
Záviška, Pavel ; Koldovský, Zbyněk (oponent) ; Rajmic, Pavel (vedoucí práce)
Cílem této bakalářské práce je aplikace problematiky řídkých reprezentací na úlohu zvyšování bitové hloubky fotografií. Jsou popsány základní metody pro zvyšování bitové hloubky a následně je představena metoda využívající řídké reprezentace obrazového signálu. Jednotlivé metody jsou naprogramovány v prostředí Matlab. Výsledky implementovaných metod jsou porovnány pomocí objektivních ukazatelů PSNR, SSIM i subjektivně pomocí online dotazníku.
|
|
|
Interaktivní webové audio aplikace pro podporu výuky
Kratoš, Filip ; Koldovský, Zbyněk (oponent) ; Rajmic, Pavel (vedoucí práce)
Semestrální práce je zaměřena na návrh webových appletů v jazyce javascript. Zabývá se návrhem šesti appletů z oblasti jednorozměrných signálů, především audiosignálů. Konkrétně to jsou applety na téma kombinace signálů, součet funkce sinus a kosinus, filtrace signálu, vliv fáze na audiosignál, aliasing a jeho projevy a lineární a nelineární systémy. Hlavním tématem je souhrn teoretických podkladů, implementace jednoho appletu a návrh rozhraní ostatních.
|
|
|
Adaptive Blind Separation of Instantaneous Linear Mixtures of Independent Sources
Šembera, Ondřej ; Tichavský, Petr ; Koldovský, Zbyněk
In many applications, there is a need to blindly separate independent sources from their linear instantaneous mixtures while the mixing matrix or source properties are slowly or abruptly changing in time. The easiest way to separate the data is to consider off-line estimation of the model parameters repeatedly in time shifting window. Another popular method is the stochastic natural gradient algorithm, which relies on non-Gaussianity of the separated signals and is adaptive by its nature. In this paper, we propose an adaptive version of two blind source separation algorithms which exploit non-stationarity of the original signals. The results indicate that the proposed algorithms slightly outperform the natural gradient in the trade-off between the algorithm’s ability to quickly adapt to changes in the mixing matrix and the variance of the estimate when the mixing is stationary.
|
|
|
Interaktivní webové audio aplikace pro podporu výuky
Kratoš, Filip ; Koldovský, Zbyněk (oponent) ; Rajmic, Pavel (vedoucí práce)
Semestrální práce je zaměřena na návrh webových appletů v jazyce javascript. Zabývá se návrhem šesti appletů z oblasti jednorozměrných signálů, především audiosignálů. Konkrétně to jsou applety na téma kombinace signálů, součet funkce sinus a kosinus, filtrace signálu, vliv fáze na audiosignál, aliasing a jeho projevy a lineární a nelineární systémy. Hlavním tématem je souhrn teoretických podkladů, implementace jednoho appletu a návrh rozhraní ostatních.
|
|
|
Metody pro zvýšení bitové hloubky fotografií
Záviška, Pavel ; Koldovský, Zbyněk (oponent) ; Rajmic, Pavel (vedoucí práce)
Cílem této bakalářské práce je aplikace problematiky řídkých reprezentací na úlohu zvyšování bitové hloubky fotografií. Jsou popsány základní metody pro zvyšování bitové hloubky a následně je představena metoda využívající řídké reprezentace obrazového signálu. Jednotlivé metody jsou naprogramovány v prostředí Matlab. Výsledky implementovaných metod jsou porovnány pomocí objektivních ukazatelů PSNR, SSIM i subjektivně pomocí online dotazníku.
|
|
|
Blind Separation of Mixtures of Piecewise AR(1) Processes and Model Mismatch
Tichavský, Petr ; Šembera, Ondřej ; Koldovský, Zbyněk
Modeling real-world acoustic signals and namely speech signals as piecewise stationary random processes is a possible approach to blind separation of linear mixtures of such signals. In this paper, the piecewise AR(1) modeling is studied and is compared to the more common piecewise AR(0) modeling, which is known under the names Block Gaussian SEParation (BGSEP) and Block Gaussian Likelihood (BGL). The separation based on the AR(0) modeling uses an approximate joint diagonalization (AJD) of covariance matrices of the mixture with lag 0, computed at epochs (intervals) of stationarity of the separated signals. The separation based on the AR(1) modeling uses the covariances of lag 0 and covariances of lag 1 jointly. For this model, we derive an approximate Cram´er-Rao lower bound on the separation accuracy for estimation based on the full set of the statistics (covariance matrices of lag 0 and lag 1) and covariance matrices with lag 0 only. The bounds show the condition when AR(1) modeling leads to significantly improved separation accuracy.
|
|
| |
|
| |
|
| |
host ::
RSS.