单次观测就能估计时间扭曲，精度更高、计算时间大减，低延迟应用有戏！
Time-warping estimation via stationarity-based learning of the de-warped signal
📖 AI 总结
本文提出一种名为TWET（Time-Warping Estimation Trainable）的可训练模型，用于从单次观测中估计时间弯折函数。时间弯折估计是信号处理领域的基础问题，在生物声学、雷达和生物医学分析中具有广泛应用。该研究将时间弯折估计重新表述为小波域中的平稳化问题，采用分层空洞卷积架构来估计弯折函数，并引入可微的平稳性准则以实现端到端优化。实验结果表明，与现有方法相比，TWET在形变重建精度上有所提升，同时计算时间显著缩短，使该框架适用于低延迟应用场景。该工作为时间弯折估计提供了一种基于学习的新思路，通过将信号平稳性作为优化目标，兼顾了估计精度与计算效率。
🔑 关键词速览
| 时间扭曲估计 | 从观测信号中估计时间轴非线性形变函数的过程，常用于信号对齐和形变分析。 |
| TWET | Time-Warping Estimation Trainable 的缩写，本文提出的可训练时间扭曲估计模型。 |
| 平稳化 | 将非平稳信号转换为平稳信号的过程，本文将其作为时间扭曲估计的核心问题。 |
| 分层空洞卷积 | 一种使用不同空洞率的卷积层堆叠的神经网络架构，能有效扩大感受野并捕捉多尺度特征。 |
| 可微平稳性准则 | 一种可计算的平稳性度量，其梯度可反向传播，用于端到端训练时间扭曲估计模型。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅