Attaque de problèmes difficiles en audio par des approches inverses non-linéaires économes en données – DENISE

DENISE vise à apporter des contributions méthodologiques fondamentales dans le domaine du traitement du signal audio. Ses promesses sont des économies de données et des gains de performance qui, à long terme, sous-tendent de forts avantages économiques et écologiques pour le domaine applicatif des technologies audio, connaissant une croissance très rapide.

L'état actuel des choses est une utilisation généralisée des méthodes d'apprentissage profond à travers tous les sous-domaines du traitement du signal audio, avec beaucoup de succès. Cela se justifie par leur remarquable capacité à approcher des fonctions non-linéaires arbitraires, à partir du moment où des jeux de données suffisamment larges sont disponibles pour l'apprentissage.

Le principe central de DENISE, en revanche, est qu'un certain nombre de sous-problèmes clés dans le domaine de l'audio peuvent être abordés sans aucun apprentissage grâce à de récentes percées théoriques et méthodologiques dans le domaine des problèmes inverses non-linéaires. Ces avancées sont restées largement inaperçues dans la communauté de recherche audio jusqu'à présent. Des efforts de recherche fondamentale seront déployés pour exploiter pleinement le potentiel de ces découvertes dans deux applications émergentes et difficiles : l'inpainting audio, c'est à dire la reconstruction d'échantillons complètement manquants, et le traitement multicanal basé sur les échos acoustiques.

Loin de renoncer à la puissance de l'apprentissage automatique, le projet DENISE préconise le développement d'approches hybrides qui exploitent pleinement le potentiel des solutions tant analytiques qu'apprises, en plaçant la "frugalité en données" en son cœur.