論文の概要: Removing Distortion Effects in Music Using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2202.01664v1
• Date: Thu, 3 Feb 2022 16:26:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-04 18:06:16.348280
• Title: Removing Distortion Effects in Music Using Deep Neural Networks
• Title（参考訳）: ディープニューラルネットワークを用いた音楽の歪み効果の除去
• Authors: Johannes Imort, Giorgio Fabbro, Marco A. Mart\'inez Ram\'irez, Stefan Uhlich, Yuichiro Koyama, Yuki Mitsufuji
• Abstract要約: 本稿では,音楽制作のためのギタートラックに適用される歪みやクリップの除去に焦点をあてる。 これは、このタスクにおける異なるディープニューラルネットワーク(DNN)アーキテクチャの比較研究を示す。 歪み信号に対するクリーン信号を重畳する効果に対して,DNNを用いた歪み除去において,優れた結果が得られる。
• 参考スコア（独自算出の注目度）: 12.497836634060569
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Audio effects are an essential element in the context of music production, and therefore, modeling analog audio effects has been extensively researched for decades using system-identification methods, circuit simulation, and recently, deep learning. However, only few works tackled the reconstruction of signals that were processed using an audio effect unit. Given the recent advances in music source separation and automatic mixing, the removal of audio effects could facilitate an automatic remixing system. This paper focuses on removing distortion and clipping applied to guitar tracks for music production while presenting a comparative investigation of different deep neural network (DNN) architectures on this task. We achieve exceptionally good results in distortion removal using DNNs for effects that superimpose the clean signal to the distorted signal, while the task is more challenging if the clean signal is not superimposed. Nevertheless, in the latter case, the neural models under evaluation surpass one state-of-the-art declipping system in terms of source-to-distortion ratio, leading to better quality and faster inference.
• Abstract（参考訳）: オーディオ効果は音楽制作の文脈において不可欠な要素であり、アナログオーディオ効果のモデル化は数十年間、システム同定法、回路シミュレーション、そして最近ではディープラーニングを用いて広く研究されてきた。 しかし、オーディオ効果ユニットを用いて処理された信号の再構成に取り組む作品はわずかであった。 近年の音源分離と自動ミキシングの進歩を考えると、音響効果の除去は自動リミックスシステムを促進する可能性がある。 本稿では,この課題について異なるディープニューラルネットワーク(dnn)アーキテクチャの比較検討を行いながら,ギターの曲に適用される歪みやクリップの除去に焦点をあてる。 クリーン信号が重畳されていなければ, タスクはより困難である一方, 歪み信号に重畳される効果に対して, DNNを用いた歪み除去の優れた結果が得られる。 それにもかかわらず、後者の場合、評価中のニューラルモデルは、ソースと歪みの比率で1つの最先端のデクリッピングシステムを超え、より良い品質とより高速な推論をもたらす。

関連論文リスト

• Simple Pooling Front-ends For Efficient Audio Classification [56.59107110017436]
  入力音声特徴量における時間的冗長性を排除することは,効率的な音声分類に有効な方法である可能性が示唆された。 本稿では、単純な非パラメトリックプーリング操作を用いて冗長な情報を削減する単純なプールフロントエンド(SimPFs)のファミリーを提案する。 SimPFは、市販オーディオニューラルネットワークの浮動小数点演算数の半数以上を削減できる。
  論文  参考訳（メタデータ） (2022-10-03T14:00:41Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• End-to-End Binaural Speech Synthesis [71.1869877389535]
  本稿では,低ビットレート音声システムと強力なデコーダを組み合わせたエンドツーエンド音声合成システムを提案する。 実感的な聴覚シーンを作るために必要な環境効果を捉える上で, 対人的損失がもたらす効果を実証する。
  論文  参考訳（メタデータ） (2022-07-08T05:18:36Z)
• Removing Noise from Extracellular Neural Recordings Using Fully Convolutional Denoising Autoencoders [62.997667081978825]
  ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。 シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-09-18T14:51:24Z)
• Differentiable Signal Processing With Black-Box Audio Effects [44.93154498647659]
  本稿では,ステートフルなサードパーティの音声効果をディープニューラルネットワーク内のレイヤとして組み込むことで,音声信号処理を自動化するデータ駆動手法を提案する。 我々の手法は、音楽マスタリングのための専門的で最先端の商用ソリューションに匹敵する結果を得られることを示す。
  論文  参考訳（メタデータ） (2021-05-11T02:20:22Z)
• Hierarchical Timbre-Painting and Articulation Generation [92.59388372914265]
  本稿では,f0と大音量に基づく高速かつ高忠実な楽曲生成手法を提案する。 合成音声は、対象楽器の音色及び調音を模倣する。
  論文  参考訳（メタデータ） (2020-08-30T05:27:39Z)
• Audio Dequantization for High Fidelity Audio Generation in Flow-based Neural Vocoder [29.63675159839434]
  フローベースのニューラルボコーダは、リアルタイム音声生成タスクにおいて大幅に改善されている。 フローベースニューラルボコーダにおける高忠実度音声生成のための音声復調手法を提案する。
  論文  参考訳（メタデータ） (2020-08-16T09:37:18Z)
• Learning to Denoise Historical Music [30.165194151843835]
  そこで我々は,古い録音を聴くことを学習する音声から音声へのニューラルネットモデルを提案する。 ネットワークは、ノイズの多い音楽データセット上で、再構成と敵の目的の両方で訓練される。 提案手法は,原曲の品質と詳細を保存しながら,ノイズ除去に有効であることを示す。
  論文  参考訳（メタデータ） (2020-08-05T10:05:44Z)
• Exploring Quality and Generalizability in Parameterized Neural Audio Effects [0.0]
  ディープニューラルネットワークは、音楽オーディオ信号処理アプリケーションへの期待を示している。 これまでの結果は、低サンプリング率、ノイズ、信号タイプの狭い領域、および/またはパラメータ化制御の欠如によって制約される傾向にあった。 本研究は、非線形時間依存信号処理効果のモデル化に関する先行研究を拡大する。
  論文  参考訳（メタデータ） (2020-06-10T00:52:08Z)
• Audio Impairment Recognition Using a Correlation-Based Feature Representation [85.08880949780894]
  本稿では,特徴対の相関に基づく手作り特徴の新しい表現を提案する。 実験段階において,コンパクトな特徴次元と計算速度の向上の観点から,優れた性能を示す。
  論文  参考訳（メタデータ） (2020-03-22T13:34:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。