Periodic signals play an important role in daily lives. Although conventional sequential models have shown remarkable success in various fields, they still come short in modeling periodicity; they either collapse, diverge or ignore details. In this paper, we introduce a novel framework inspired by Fourier series to generate periodic signals. We first decompose the given signals into multiple sines and cosines and then conditionally generate periodic signals with the output components. We have shown our model efficacy on three tasks: reconstruction, imputation and conditional generation. Our model outperforms baselines in all tasks and shows more stable and refined results.
일상생활에서 주기 신호는 중요한 역할을 한다. 기존 순차적 데이터를 다루는 모델들은 다양한 분야에서 월등한 성능을 보여줬지만, 주기 신호를 다루는데는 미숙한 점들이 보였다. 기존 모델은 결과가 수렴하거나 발산하거나 신호의 세부 정보들이 누락되는 경우들을 보였다. 이 논문에서는 푸리에 시리즈에 영감을 받아 주기 신호를 합성할 수 있는 새로운 모델 체제를 제안한다. 먼저, 주어진 주기 신호를 sine과 cosine으로 분해하고 그 결과값들을 활용해 주기 신호를 합성한다. 우리 모델은 복원, 끼워넣기, 조건부 합성, 이 세 가지 실험에서 월등한 성능을 보여줬다. 우리의 모델을 기존 모델들에 비해서 안정적이고 정제된 결과를 보여줬다.
