一、文章摘要

        音源分离(Music source separation ，MSS)旨在从一段混合音乐中提取“人声”，“鼓”，“贝斯”和“其他”音轨。虽然深度学习方法已经显示出令人印象深刻的结果，且有一个趋势是使用更大的模型去实现音源分离。但在本文中，介绍了一种新的轻量级架构DTTNet，它基于双路径模块和时频卷积时间分布全连接UNet（TFC-TDF UNet）。与Bandsplit RNN（BSRNN）相比，DTTNet在“人声”上实现了10.12 dB的cSDR，而BSRNN为10.01 dB，但参数数量减少了86.7%。我们还评估了特定模式的性能和模型对复杂音频模式的泛化能力。

二、本文方法

2.1 背景

        目前用于分离MSS问题中“人声”音轨的最先进模型是Band-split Recurrent Neural Network (BSRNN)[12]和Time-Frequency ConvolutionsTime-Distributed Fully-connected UNet (TFC-TDF UNet)v3[13]。

        BSRNN在谱图上预测一个复值的掩模，并使用全连接层(FC)和多层感知器(MLP)对特征进行编码和解码。编码后的特征通过12个双路径rnn进一步处理，以捕获子带间和子带内的依赖关系。然而，FC层和MLP层引入了大量冗余参数，并且12层双路径rnn需要增加训练时间。

        FC-TDF UNet v3使用残差卷积块。此外，TFC-TDF UNet v3没有引入显式时间建模，因此当模型参数急剧增加时，性能增益不太突出。

        本工作的贡献如下:1。如图1所示，通过集成和优化来自TFC-TDF UNet v3的编码器和解码器以及来自BSRNN的潜在双路径模块，我们减少了冗余参数。

        2. 如图2(b)所示，我们在改进的双径模块内划分通道C，从而减少了推理时间。

        3. 我们优化了DTTNet内部的超参数，提高了与BSRNN[12]和TFC-TDF UNet v3[13]相当的信失真比(SDR)，如表3所示。

        4. 我们使用复杂的音频模式对DTTNet进行测试，这些模式通常被许多在MUSDB18-HQ数据集上训练的模型错误分类。

2.2 本文方法

        本文框架由三部分组成:编码器、解码器和潜在部分。

2.2.1 Encoder

        在编码器中使用TFC-TDF v3模块。

2.2.2 Improved Dual-Path Module

        在潜在部分使用改进的双路径模块。改进双路径模块(Improved Dual-Path Module, IDPM)的结构与BSRNN中的Band and Sequence Module相似[12]。为了在保持高输入维数C的同时减少推理时间，我们首先将输入通道C分成H个头。然后，首先沿着第一个RNN块中的时间轴处理H头，然后沿着第二个RNN块中的频率轴处理H头。在IDPM结束时，应用相反的过程将H头合并到C通道中。

2.2.3 Decoder

        解码器中同样使用TFC-TDF v3模块。

三、实验结果

3.1 数据集

        MUSDB18-HQ。

3.2 实验设置

       学习率为2 × 10−4，AdamW optimizer，L1损失函数，Batch_Size＝8，模型训练300个epoch，STFT窗口大小为6144，hop length为1024。

3.3 推理结果

        

【文章链接】：https://arxiv.org/pdf/2309.08684v2.pdf

【源码链接】：https://github.com/junyuchen-cjy/dttnet-pytorch

【参考文献】：

[12] Yi Luo and Jianwei Yu, “Music source separation with band-split rnn,” IEEE/ACM Transactions on Audio,Speech, and Language Processing, vol. 31, pp. 1893–1901, 2023.
[13] Minseok Kim, Jun Hyung Lee, and Soonyoung Jung,“Sound Demixing Challenge 2023 Music Demixing TrackTechnical Report: TFC-TDF-UNet v3,” arXiv preprint:arXiv:2306.09382, 2023.