近日，来自 Fraunhofer IDMT、Tampere University of Technology 与蒙特利尔大学的 Yoshua Bengio 等人在 arXiv 上提交了一篇论文，提出跳过使用泛化维纳滤波器进行后处理的步骤，转而使用循环推断算法和稀疏变换步骤进行歌唱语音分离，效果优于之前基于深度学习的方法。这篇论文已经提交至 ICASSP 2018。
论文：Monaural Singing Voice Separation with Skip-Filtering Connections and Recurrent Inference of Time-Frequency Mask
- 论文链接：https://arxiv.org/abs/1711.01437v1
- on-line demo 地址：https://js-mim.github.io/mss_pytorch/
- GitHub 地址：https://github.com/Js-Mim/mss_pytorch
摘要：基于深度学习的歌唱语音分离依赖于时频掩码（time-frequency masking）。在很多情况中，掩码过程（masking process）不是一个可学习的函数，也无法封装进深度学习优化中。这造成的结果就是，大部分现有方法依赖于使用泛化维纳滤波器（generalized Wiener filtering）进行后处理。我们的研究提出一种方法，在训练过程中学习和优化源依赖掩码（source-dependent mask），无需上述后处理步骤。我们引入了一种循环推断算法、一种稀疏变换步骤用于改善掩码生成流程，以及一个学得的去噪滤波器。实验结果证明，与之前单声道歌唱语音分离的顶尖方法相比，该方法使信号失真比（signal to distortion ratio）提高了 0.49 dB，信号干扰比（signal interference ratio）提高了 0.30 dB。
图 1：方法图示。
表 1：几种方法的中值信号失真比（SDR）和信号干扰比（SIR）（单位为 dB）。下划线为我们提出的方法。值越高效果越好。
结论
本论文中，Bengio 等人展示了一种用于歌唱语音分离的方法，无需使用泛化维纳滤波器进行后处理。研究人员向跳过滤波的连接 [12] 引入了稀疏变换，效果优于使用泛化维纳滤波器的方法。此外，实验证明引入的循环推断算法（recurrent inference algorithm）在单声道语音分离中取得了顶尖的结果。实验结果证明这些扩展优于之前用于歌唱语音分离的深度学习方法。
