Wave-U-Net：一种用于端到端音频源分离的多尺度神经网络

音频源分离模型通常在幅度谱上操作，这忽略了相位信息并使分离性能依赖于谱前端超参数。因此，我们研究时域中的端到端源分离，其允许对相位信息建模并避免固定的谱变换。由于音频采样率高，在样本级别采用长时域输入上下文是困难的，但由于长程时间相关性，这对于高质量分离结果是必需的。在此背景下，我们提出Wave-U-Net，一种将U-Net适配到一维时域的网络，其通过重复对特征图重采样以在不同时间尺度上计算并组合特征。我们引入了进一步的架构改进，包括强制源可加性的输出层、一种上采样技术以及用于减少输出伪影的上下文感知预测框架。针对歌声分离的 experiments 表明，在给定相同数据的情况下，我们的架构取得了与最先进的基于谱图的U-Net架构相当的performance。最后，我们揭示了当前使用的SDR评估指标中存在的离群值问题，并建议报告基于秩的统计量以缓解该问题。