May, 2019

通过解耦音色表示实现音乐作曲风格转移

PDF
TL;DR本文介绍一种基于深度学习的音乐曲目排列模型，通过对乐曲音频的编码和解码预测其乐谱，并使用解缠技术将其中代表音乐内容和乐器的因素分离，实现曲式转换。
music creationdeep learningrearranging musicdisentanglement techniquescomposition style transfer
发现论文，激发创造
  • 零样本音乐源分离、转录和合成的统一模型

    通过一个三合一的统一模型来对音频进行分离、转录和综合，采用一种 pitch-timbre 分离模块来更好地计算音源之间的关系，从而实现零样本学习。

    Aug, 2021

  • 学习可解释的控制式复调音乐生成的表示

    本文提出了一种基于 VAE 的音乐分离模型，用于将和弦和纹理这两个可解释的因子分离出来，从而实现音乐生成过程的可控，在生成音乐时具有广泛的应用，包括作曲风格转换、纹理变化和伴奏编排，并通过客观和主观评价证明了该方法的成功分离和高质量的音乐生成。

    Aug, 2020

  • 使用 Transformer 自动编码器对音乐风格进行编码

    本篇论文介绍 Transformer 自编码器用于符号音乐生成，提高性能风格和旋律的分开控制能力，并在 MAESTRO 及 Youtube 数据集上实现了比基线更好的结果。

    Dec, 2019

  • 音色陷阱：一种用于不受乐器限制的音乐转录的低资源框架

    Timbre-Trap 是一个新型框架，通过利用音高和音色之间的强分离性，将音乐转录和音频重建相统一。我们通过训练一个 U-Net 模型，同时估计音高显著性和重建复杂谱系数，通过简单的切换机制在解码阶段选择其中之一的输出。我们证明了该框架的性能可与最先进的无特定乐器转录方法相媲美，而只需要少量的带注释数据。

    Sep, 2023

  • 通过潜在表示解缠深度音乐类比

    本文提出了一种显式约束的变分自编码器 (EC2-VAE)，用于解决不同音乐片段之间的 “类比” 生成问题，该模型可以将潜在的高层次表示转移到其他音乐片段上，并成功进行了客观和主观评价。

    Jun, 2019

  • 流行音乐变压器：基于节拍的建模和生成富有表现力的流行钢琴作品

    本文提出将乐谱数据表示成具有韵律结构的形式，通过开发更好的数据输入方式，我们建立了一个节奏更流畅的 Pop 钢琴音乐生成模型 - Pop Music Transformer。

    Feb, 2020

  • 度量学习和分类在解耦音乐表示学习中的比较

    该研究提出了一个单一表征学习框架，该框架阐明了度量学习、分类和去缠结化之间的关系，提高了音乐信息检索的性能。通过评估四项任务，我们发现针对训练时间、相似度检索和自动标记，基于分类的模型通常更具优势，而深度度量学习对于三元组预测的性能表现更好。最后，我们展示了我们提出的方法在音乐自动标记方面取得了最先进的结果。

    Aug, 2020

  • 用于多对多音色转换的调制变分自编码器

    本文介绍了使用 Modulated Variational auto-Encoders (MoVE) 在音乐中实现 timbre transfer 的方法，通过使用 Feature-wise Linear Modulation (FiLM) 和 Maximun Mean Discrepancy 减少对抗网络的需要，最终实现了 multi-domain transfer。

    Sep, 2018

  • 无对抗训练的多类型解缠

    本文提出了一种针对多类型解缠的统一分布控制方法，以达到风格 - 内容解缠和多类型解缠的效果，在两个数据集上进行实验评估其风格解缠效果和无监督风格转移性能。

    Dec, 2020

  • 通过无监督的几何蒸馏解开内容和风格

    本文提出了一种创新的框架，利用两个分支的自编码器来学习内容和风格分离的表征，并通过多个损失约束辅助无监督学习，最终生成清晰、高质量的 256*256 分辨率的图片。

    May, 2019