通过模型微调实现神经失真效果器的抗混叠

近年来，神经网络在吉他失真效果建模中已变得无处不在。尽管它们能够生成感知上令人信服的模型，但在受到高频和高增益输入驱动时，它们容易产生频率混叠。非线性激活函数在将信号带宽扩展到奈奎斯特频率之外时，既会产生所需的谐波失真，也会产生不需要的混叠失真。本文提出了一种通过师生微调方法来减少神经模型中混叠的方法，其中教师是一个权重冻结的预训练模型，而学生是该模型的一个具有可学习参数的副本。学生模型通过一个无混叠数据集进行微调，该数据集通过将正弦波输入原始模型并从输出频谱中移除非谐波分量而生成。我们的结果表明，该方法能显著抑制长短期记忆网络（LSTM）和时间卷积网络（TCN）的混叠。在我们的大多数案例研究中，混叠的减少量超过了通过两倍过采样所达到的效果。该方法的一个副作用是谐波失真分量也会受到影响。研究发现，这种不利影响取决于模型，其中 LSTM 模型在抗混叠和保持与模拟参考设备的感知相似度之间取得了最佳平衡。