关注旋律：基于课程遮蔽的单编码器旋律和声化
摘要
旋律和声化是为给定旋律生成和声伴奏的任务，仍是计算音乐生成中的核心挑战。最近的单编码器变压器方法将和声化建模为掩码序列建模问题，但现有训练课程受离散扩散启发往往导致旋律和和声之间的(交叉)注意力较弱，进而在特别是跨域情境中 limited exploitation of melodic cues。 In this work, we introduce a training curriculum, FF (full-to-full), which keeps all harmony tokens masked for several training steps before progressively unmasking entire sequences during training to strengthen melody-harmony interactions. 我们系统评估了该方法相对于先前课程的效果，通过多个实验轴进行评估，包括时间量化(四分音符 vs. 十六分音符)、bar-level vs. time-signature conditioning、旋律表示(全范围 vs. 音阶类)以及推理时的遮蔽策略。模型在 HookTheory 数据集上训练，并使用全套指标对模型进行评估，这些指标评估和声 Progression 结构、和声-旋律对齐和节奏连贯性。结果表明，提出的 FF 课程在几乎所有指标上都优于基线，特别是在跨域评估中表现突出，其中对新旋律队列的和声可塑性至关重要。我们进一步发现，四分音符量化、bar token 的交织以及音阶类旋律表示在 FF 设置下优势明显。我们的发现凸显了训练课程在实现有效旋律条件化中的重要性，并表明 full-to-full 遮蔽为单一编码器和声化提供了稳健的策略。
引用
@article{arxiv.2601.16150,
title = {Pay (Cross) Attention to the Melody: Curriculum Masking for Single-Encoder Melodic Harmonization},
author = {Maximos Kaliakatsos-Papakostas and Dimos Makris and Konstantinos Soiledis and Konstantinos-Theodoros Tsamis and Vassilis Katsouros and Emilios Cambouropoulos},
journal= {arXiv preprint arXiv:2601.16150},
year = {2026}
}