Dilated CNNs による周期性信号処理：低複雑性アプローチ

arXiv:2604.21651v1 Announce Type: cross 摘れ：周期性信号の去ノイズと波形の正確な推定は、音声、音楽、医学診断、無線、ソナーを含む多くの信号処理分野で核心となるタスクです。最近、ディープラーニング手法は古典的な手法よりも性能向上を示しましたが、それには計算資源の多大な消費が必要であり、通常、各信号観測ごとに別々に学習を行います。本研究では、DCNN とリサンプリングに基づき、厳格な電力と資源制約下での動作を設計した「R-DCNN」と呼ばれる計算効率の高い手法を提案します。このアプローチは振動数（ Fundamental Frequency）が異なる信号を対象とし、訓練には単一の観測値のみが必要です。異なる周波数を持つ信号の時間スケールを合わせるために軽量なリサンプリングステップを利用し、追加の信号にも対応可能です。R-DCNN は計算複雑性が低くても、自己回帰（AR）に基づく手法や、各観測ごとに個別に学習された従来の DCNN と同等の性能を発揮します。この効率と性能の両立により、提案手法は去ノイズや推定精度を損なわず、限られた資源の環境での展開に極めて適していることが示されました。

arXiv:2604.21651v1 Announce Type: cross Abstract: Denoising of periodic signals and accurate waveform estimation are core tasks across many signal processing domains, including speech, music, medical diagnostics, radio, and sonar. Although deep learning methods have recently shown performance improvements over classical approaches, they require substantial computational resources and are usually trained separately for each signal observation. This study proposes a computationally efficient method based on DCNN and Re-sampling, termed R-DCNN, designed for operation under strict power and resource constraints. The approach targets signals with varying fundamental frequencies and requires only a single observation for training. It generalizes to additional signals via a lightweight resampling step that aligns time scales in signals with different frequencies to re-use the same network weights. Despite its low computational complexity, R-DCNN achieves performance comparable to state-of-the-art classical methods, such as autoregressive (AR)-based techniques, as well as conventional DCNNs trained individually for each observation. This combination of efficiency and performance makes the proposed method particularly well suited for deployment in resource-constrained environments without sacrificing denoising or estimation accuracy.