用于模拟模拟动态范围压缩的实时高效神经网络
音频与语音处理
2022-04-18 v2 声音
摘要
深度学习方法在模拟音频效果建模方面已取得成功。然而，在建模涉及时变非线性元件的更复杂效果（如动态范围压缩器）时仍存在挑战。现有的压缩建模神经网络方法要么忽略设备参数，要么达不到足够的精度，要么需要大型非因果模型从而无法实时运行。在本工作中，我们提出对时间卷积网络（TCNs）的改进，在不牺牲性能的前提下实现更高效率。通过利用快速增长的膨胀率实现极稀疏卷积核，我们的模型以更少的层数获得显著的感受野，从而减少计算量。通过详细评估，我们证明了这种高效且因果的方法在建模模拟 LA-2A 方面达到了最先进性能，能够在 CPU 上实时运行，且仅需 10 分钟训练数据。
引用
@article{arxiv.2102.06200,
title = {Efficient neural networks for real-time modeling of analog dynamic range compression},
author = {Christian J. Steinmetz and Joshua D. Reiss},
journal= {arXiv preprint arXiv:2102.06200},
year = {2022}
}
备注
Updated and will appear at 152nd AES Convention (note title change)