音乐情感迁移
声音
2021-10-13 v1 机器学习
多媒体
音频与语音处理
摘要
音乐情感迁移是一项全新的任务。情感迁移是已被广泛研究的风格迁移任务的自然演进，因为情感迁移根植于将源媒体的情感施加为目标媒体的新情感；然而与风格迁移相比，情感迁移在图像上仅得到极少研究。音乐情感迁移试图将情感迁移的高层目标应用于音乐领域。我们提出使用 CycleGAN 来桥接不同域。为使用该网络，我们选择以符号化的 MIDI 数据作为音乐格式。通过循环一致性损失（cycle consistency loss），我们能够建立保留源数据内容与真实感的一对一映射。结果与文献表明，由于音乐的时间特性以及缺乏现有数据集，音乐情感迁移任务比图像情感迁移更为困难。
引用
@article{arxiv.2110.05765,
title = {Music Sentiment Transfer},
author = {Miles Sigel and Michael Zhou and Jiebo Luo},
journal= {arXiv preprint arXiv:2110.05765},
year = {2021}
}
备注
NSF REU: Computational Methods for Understanding Music, Media, and Minds, University of Rochester