该论文介绍一种使用深度聚类和深度吸引子网络的方法，将音乐混合中的所有乐器的时频图嵌入到一个共同的嵌入空间中，并使用混合高斯模型生成参数，从而实现对音乐源的分离，同时嵌入空间具有易于解释性。

Nov, 2018

这篇论文提出了一种基于音频查询的音乐源分离方法，可以通过查询信号明确地编码源信息，以及在无查询条件下生成通过潜空间插值连续输出的分离掩模。

Aug, 2019

本研究提出一种扩展的 Wave-U-Net 模型，通过可变数量源的端到端音乐源分离方法，并在瓶颈处使用仪器标签进行乘性调节，从而提高了分离结果，在此基础上实现了其他类型的调节，如音视频源分离和得分通知源分离。

Nov, 2018

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

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

该文介绍了一种利用录音设置中获取到的空间信息进行声源分离的新方法。该方法通过使用独奏段落训练一个空间混合滤波器，以捕捉每个传感器位置的房间冲击响应和传感器响应的信息。然后将这个预训练的滤波器集成到多通道非负矩阵因式分解（MNMF）方案中，以更好地捕捉不同声源的方差。实验证明，该方法在多声部合奏中能够有效地分离个别声源，并比传统的 MNMF 方法表现更出色。

Oct, 2023

本文提出了一种共分离训练范式，可以从未标记的多源视频中学习对象级别的声音，通过新颖的训练目标，训练出深度神经网络的分离音频对于外观相似的对象具有一致性可识别的特性，从而在音频源分离和降噪方面获得了最先进的结果。

Apr, 2019

本文介绍了一种针对现代音乐制作中复杂混音设置的数据增强方法，并以小提琴琴、钢琴伴奏的音乐合奏为例，研究了这种方法对盲音源分离模型的影响。研究表明，所提出的混音特异性数据增强方法可以显著提高基于深度学习的盲音源分离模型的性能。

Aug, 2020

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

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