基于CycleGAN的符号音乐流派迁移
声音
2018-09-21 v1 机器学习
音频与语音处理
机器学习
摘要
深度生成模型如变分自编码器（VAEs）和生成对抗网络（GANs）近来已被应用于图像的风格与域迁移，以及（在VAE的情况下）音乐。采用多个生成器和某种循环一致性损失的基于GAN的模型在图像域迁移中最为成功。在本文中，我们将此类模型应用于符号音乐，并展示了我们方法在音乐流派迁移上的可行性。使用独立的流派分类器进行的评估表明风格迁移效果良好。为了提高迁移后音乐的保真度，我们添加了额外的判别器，使生成器在保持原音乐结构基本完整的同时，仍实现强烈的流派迁移。可视与可听结果进一步展示了我们方法的潜力。据我们所知，本文代表了GANs在符号音乐域迁移中的首次应用。
引用
@article{arxiv.1809.07575,
title = {Symbolic Music Genre Transfer with CycleGAN},
author = {Gino Brunner and Yuyi Wang and Roger Wattenhofer and Sumu Zhao},
journal= {arXiv preprint arXiv:1809.07575},
year = {2018}
}
备注
Paper accepted at the 30th International Conference on Tools with Artificial Intelligence, ICTAI 2018, Volos, Greece