Oct, 2023

多通道非负矩阵分解中的预训练空间先验用于音乐源分离

PDF
TL;DR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。
sound source separationspatial informationroom impulse responsemultichannel non-negative matrix factorization (mnmf)orchestra recordings
发现论文，激发创造
  • 可微分参数源模型的无监督音乐源分离

    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

  • 一种神经网络替代非负音频模型的方法

    本文介绍了一种神经网络，可以代替非负矩阵分解（NMF），并进一步展示如何用它实现监督源分离。由于这种方法的可伸缩性，我们展示了如何实现比 NMF 方法更好的源分离性能，以及提出了多种可用于进一步提高性能的衍生结构。

    Sep, 2016

  • 音乐器乐演奏的条件源分离

    该研究提出一种音乐源分离方法，能够处理多个同时发声的乐器。该方法探讨了在主要源分离网络的不同级别应用条件技术，利用了存在或不存在于混音中的乐器和相应的视频流数据等两个额外的数据模态，以提升分离质量。

    Apr, 2020

  • 基于音频查询的音乐源分离

    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

  • 音乐源分离的类条件嵌入

    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

  • 利用空间选择性深度非线性滤波器的多通道语音分离

    本文中我们提出了基于深度神经网络和循环神经网络的空间选择性滤波器 (SSF)，在多扬声器多声道分离任务中，可以从混合信号中提取出特定说话者的声音信息，并与直接分离方法进行了比较。结果表明，SSF 具有更好的空间信息利用和泛化能力。

    Apr, 2023

  • 使用生成先验进行无监督音频源分离

    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

  • 学习通过空间区域分离音频

    本文提出一种两阶段的自我监督框架，旨在实现耳机和助听器等双耳应用中的音频语音分离，该方法通过区域方式将具有细粒度空间属性的自适应信号从底噪中分离出来进行训练，并表现出远超通用监督学习的性能。

    Jul, 2022

  • 基于敌对生成非负矩阵分解的单声道源分离

    本文介绍了一种对于非负矩阵分解 (NMF) 的对抗训练方法，用于解决源分离问题，通过避免不必要的信号特征的表示此方法可以提高重构信号的精度，尤其在缺乏充足监督数据的情况下有着很好的应用表现。

    Apr, 2023

  • 深度神经网络用于单通道信号分离

    本文提出了一种使用深度神经网络架构的单通道源分离方法，通过在分离过程中确定 DNN 来分类估计的源谱图以检查其有效性，并将混合信号频谱鼓励写成估计的源谱图的加权和，实现了单通道源分离问题的能量最小化。

    Nov, 2013