学习遍历潜空间以实现乐谱修复

音乐修复（Music Inpainting）是指填补一段音乐中缺失或丢失信息的任务。我们从交互式音乐创作的角度研究该任务。为此，提出了一种基于深度学习的乐谱修复新方法。所设计的模型同时考虑过去与未来的音乐上下文，并能够以具有音乐意义的方式建议将其连接。为此，我们利用变分自编码器（Variational Auto-Encoder）潜空间的表征能力，并训练一个循环神经网络（Recurrent Neural Network），学习以过去和未来音乐上下文为条件遍历该潜空间。因此，所设计的模型能够生成若干小节音乐来连接两段音乐片段。通过使用多种客观与主观评价方法与竞争性基线进行比较，展示了模型的能力与性能。结果表明，该模型可生成有意义的修复结果，并可用于交互式音乐创作应用。总体而言，该方法展示了在深度生成模型潜空间中学习复杂轨迹的价值。