基于谱能量保持 Wasserstein 学习的弱监督音频源分离
声音
2018-05-18 v3 音频与语音处理
摘要
将音频混合分离为独立的乐器音轨一直是一项长期存在的挑战性任务。我们引入了一种基于深度对抗学习的新型弱监督音频源分离方法。具体而言，我们的损失函数采用 Wasserstein 距离，直接度量每个独立源上分离源与真实源之间的分布距离。此外，加入一个全局正则项以不论分离结果如何均满足谱能量保持性质。与通常涉及精心设计的约束或谨慎模型选择的现有最优弱监督模型不同，我们的方法几乎不需要对数据施加先验模型设定，并且可以以端到端方式直接学习。我们表明，所提方法在公开基准上相对于现有最优弱监督方法具有竞争力。
引用
@article{arxiv.1711.04121,
title = {Weakly Supervised Audio Source Separation via Spectrum Energy Preserved Wasserstein Learning},
author = {Ning Zhang and Junchi Yan and Yuchen Zhou},
journal= {arXiv preprint arXiv:1711.04121},
year = {2018}
}