补全与分离：基于缺失目标源属性补全的条件分离
声音
2023-09-27 v1 机器学习
音频与语音处理
摘要
近期源分离方法利用关于输入混合及其组成源的语义信息，当用于条件分离模型时可取得令人印象深刻的性能。此类方法大多聚焦于简单描述，而对多变的输入混合类型未必总是有用。本工作中，我们提出一种方法：给定输入混合与关于目标源的部分语义信息，训练模型提取额外的语义数据。随后我们利用该预训练模型提升一个解耦的多条件分离网络的分离性能。我们的实验表明，该多条件模型的分离性能得到显著改善，逼近具有完整语义信息的预言模型(oracle model)的性能。此外，我们的方法达到了与性能最佳的专业化单条件模型相当的水平，从而提供了一种更易使用的替代方案。
引用
@article{arxiv.2307.14609,
title = {Complete and separate: Conditional separation with missing target source attribute completion},
author = {Dimitrios Bralios and Efthymios Tzinis and Paris Smaragdis},
journal= {arXiv preprint arXiv:2307.14609},
year = {2023}
}
备注
Accepted to IEEE Workshop on Applications of Signal Processing to Audio and Acoustics (WASPAA) 2023