提出了一种基于扩散生成模型的分离叠加源的新方法，通过最大后验估计和多重水平的高斯平滑指导下的 α 后验来建立新的目标函数，应用于射频系统，旨在恢复编码比特，实验结果表明，相比于经典和现有学习方法，我们的方法可以将误码率降低 95％。

Jun, 2023

提出了一种通过无监督的空间聚类算法训练深度聚类系统，从而在没有并行清洁数据时从头训练基于神经网络的源分离算法的方案。

Apr, 2019

通过将生成先验训练于各个单独的源上，利用梯度下降优化方法同时在这些源特定的潜在空间中搜索，以有效地恢复各个成分来源，并且通过在飞行中优化使用频谱失真函数而非直接定义波形 GAN 生成先验可以获得良好质量的源估计，我们针对语音数字和乐器数据集的实证研究表明，与传统的与最先进的无监督基线相比，我们的方法的有效性。

May, 2020

该论文提出了一种利用小波散射协方差的无监督多尺度聚类和源分离框架，通过将信号转化为低维空间中的散射协方差表示，并使用高斯混合自编码器对不同尺度的信号进行概率聚类，以实现源的分离。该方法在火星 NASA InSight 任务记录的地震数据中进行了验证。

May, 2023

本文提出了一种无监督的基于模型的深度学习方法，用于音频源分离，该方法通过参数化源过滤器模型对每个源进行建模，并使用神经网络以基本频率估计源模型的参数来重构观察到的混合音频信号，实验证明该方法具有较高的数据效率和好的分离效果。

Jan, 2022

本文研究单通道源信号分离问题，着重于周期稳态信号，提出一种基于 U-Net 架构的深度学习方法，该方法可以接近最优性能，且具有较小的计算负担。

Aug, 2022

本文介绍了一种新的音乐源分离算法，使用对抗训练让分离器的输出更加真实，并取得了对于歌声分离的较好效果。

Oct, 2017

本研究提出一种基于弱标注数据训练的源分离框架，利用 AudioSet 训练的音频事件检测系统，实现了对 527 种声音类别的分离，采用了 U-Net 结构，平均信噪比为 5.67dB。

Feb, 2020

通过在训练期间无需访问单一源声音数据而对多源音频混合进行有条件的声音分离是一个长期存在的挑战。本文提出了一个能够改进现有无监督框架以在目标模态（即音频）中使用条件模态（即语言）中的易于分离的相应信号分离单源信号的通用双模分离框架。我们的实验证明，如果我们可以访问两个模态之间（即 CLAP）的预训练联合嵌入模型，这是可以实现的。另外，我们还在两个基本场景中将我们的框架纳入进行了改进，通过减小训练样本和测试样本之间的分布差异，我们的方法显著提高了纯无监督基准的性能，并且在信噪比（SDR）方面可以实现 71％的提升，达到了有监督学习性能的 97.5％。我们还展示了通过我们提出的弱监督框架扩充有监督学习本身，可以进一步提高性能，使其成为强大的半监督音频分离框架。

Apr, 2024

我们提出了一种方法，在给定输入混合物和目标源的部分语义信息的情况下，训练模型提取额外的语义数据，然后利用这个预训练模型来改善解耦的多条件分离网络的分离性能，实验证明我们的方法达到了接近具有完整语义信息的理想模型的分离性能，并且相当于最佳专门单一条件模型的性能水平，提供了一种易于使用的选择。

Jul, 2023