时域中使用频谱先验的稀疏高斯过程音频源分离
音频与语音处理
2018-11-22 v3 机器学习
声音
信号处理
机器学习
摘要
高斯过程（GP）音频源分离是一种时域方法，规避了基于谱图方法固有的相位近似问题。此外，通过其核，GP 优雅地将关于源的先验知识融入分离模型。尽管有这些引人注目的优势，GP 推断的计算复杂度随音频样本数呈立方增长。因此，源分离 GP 模型一直局限于短音频帧的分析。我们引入一种高效的 GP 在时域音频源分离中的应用，且不牺牲性能。为此，我们使用了 GP 回归、谱混合核以及变分稀疏 GP。我们将我们的方法与 LD-PSDTF（半正定张量分解）、KL-NMF（Kullback-Leibler 非负矩阵分解）和 IS-NMF（Itakura-Saito NMF）比较。结果显示所提方法优于这些技术。
引用
@article{arxiv.1810.12679,
title = {Sparse Gaussian Process Audio Source Separation Using Spectrum Priors in the Time-Domain},
author = {Pablo A. Alvarado and Mauricio A. Álvarez and Dan Stowell},
journal= {arXiv preprint arXiv:1810.12679},
year = {2018}
}
备注
Paper submitted to the 44th International Conference on Acoustics, Speech, and Signal Processing, ICASSP 2019. To be held in Brighton, United Kingdom, between May 12 and May 17, 2019