本文比较了两种不同的音乐源分离模型：Conv-Tasnet 和 Demucs。实验结果表明，Demucs 模型通过采用恰当的数据增广技术，在音乐分离任务上优于 Conv-Tasnet 模型，同时其语音自然度表现也更佳。

Nov, 2019

通过借鉴 Hybrid Demucs 架构，本文提出了混合谱图时域音频分离网络（HS-TasNet），结合了频谱和波形域的优势，为实时低延迟的音乐应用展现了高效分离的潜力。

Feb, 2024

本文使用深度学习等方法对音乐进行源分离研究，提出了一种卷积和循环的模型，同时提出了一种新的方法来利用无标签的音乐数据，这些方法比现有的方法表现更好。

Sep, 2019

本文介绍了我们在 2023 年声音分离比赛的音乐分离赛道中获奖的两种解决方案，分别使用了一种时间有效的源分离网络和一种用于噪音鲁棒源分离的损失掩蔽方法。

Jun, 2023

本论文研究使用端到端模型进行音乐信号源分离，在考虑所有可用信息的基础上实现对原始音频信号（包括相位部分）的源分离。结果表明，我们提出的一种基于 Wavenet 的模型和 Wave-U-Net 的性能都可以优于 DeepConvSep，一个基于谱图的深度学习模型。

Oct, 2018

采用 DenseNet 架构的音频源分离方法在 SiSEC 2016 竞赛中表现优异，具有更好的信号失真比和更少的参数、更短的训练时间。

Jun, 2017

本文旨在介绍音乐分离的任务以及该任务的两个新的基准数据集，比较流行模型的表现并提供评估排名，同时提供可下载的基准数据集。作者提出了一种使用不同模型进行集成的新方法，并在音乐分离挑战赛中取得了最佳结果，该方法的代码和技术细节已在 GitHub 上公开。

May, 2023

该论文探讨了音乐分离的研究现状和挑战，并提出了一种基于机器学习竞赛平台的音乐分离比赛，该比赛提供了更广泛的音乐流派和更多的混音工程师，并包括基线，评价度量，评估结果和技术挑战。

Aug, 2021

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