論文の概要: The Inverse Drum Machine: Source Separation Through Joint Transcription and Analysis-by-Synthesis

• arxiv url: http://arxiv.org/abs/2505.03337v2
• Date: Tue, 30 Sep 2025 09:14:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:44:59.726769
• Title: The Inverse Drum Machine: Source Separation Through Joint Transcription and Analysis-by-Synthesis
• Title（参考訳）: 逆ドラムマシン:ジョイント転写と解析による音源分離
• Authors: Bernardo Torres, Geoffroy Peeters, Gael Richard,
• Abstract要約: Inverse Drum Machineは、ディープラーニングと組み合わせた分析バイシンセシスフレームワークを活用する、ドラムソース分離の新しいアプローチである。 IDMは自動ドラム転写とワンショットドラムサンプル合成を統合し、これらのタスクをエンドツーエンドで共同で最適化する。 StemGMDデータセットの実験では、IDMが分離された幹細胞データを必要とする最先端の教師付き手法に匹敵する分離品質を達成することを示した。
• 参考スコア（独自算出の注目度）: 11.79997201521754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present the Inverse Drum Machine, a novel approach to Drum Source Separation that leverages an analysis-by-synthesis framework combined with deep learning. Unlike recent supervised methods that require isolated stem recordings for training, our approach is trained on drum mixtures with only transcription annotations. IDM integrates Automatic Drum Transcription and One-shot Drum Sample Synthesis, jointly optimizing these tasks in an end-to-end manner. By convolving synthesized one-shot samples with estimated onsets, akin to a drum machine, we reconstruct the individual drum stems and train a Deep Neural Network on the reconstruction of the mixture. Experiments on the StemGMD dataset demonstrate that IDM achieves separation quality comparable to state-of-the-art supervised methods that require isolated stems data.
• Abstract（参考訳）: Inverse Drum Machineは、ディープラーニングと組み合わせた分析バイシンセシスフレームワークを活用する、ドラムソース分離の新しいアプローチである。 本手法は, 独立した幹細胞記録を必要とする近年の指導方法とは違って, 転写アノテーションのみを併用したドラムミキシングを訓練している。 IDMは自動ドラム転写とワンショットドラムサンプル合成を統合し、これらのタスクをエンドツーエンドで共同で最適化する。 合成した単発単発サンプルをドラムマシンに類似した推定オンセットで結合することにより,個々のドラム茎を再構成し,混合物の再構成にディープニューラルネットワークを訓練する。 StemGMDデータセットの実験では、IDMが分離された幹細胞データを必要とする最先端の教師付き手法に匹敵する分離品質を達成することを示した。

関連論文リスト

• High-Quality Sound Separation Across Diverse Categories via Visually-Guided Generative Modeling [65.02357548201188]
  DAVIS(Diffusion-based Audio-VIsual separation framework)を提案する。 本フレームワークは、混合音声入力と関連する視覚情報に基づいて、ノイズ分布から直接、所望の分離音スペクトルを合成することによって機能する。
  論文  参考訳（メタデータ） (2025-09-26T08:46:00Z)
• Unleashing the Power of Natural Audio Featuring Multiple Sound Sources [54.38251699625379]
  ユニバーサルサウンド分離は、混合音声から異なるイベントに対応するクリーンなオーディオトラックを抽出することを目的としている。 複雑な混合音声を複数の独立したトラックに分解するために,データエンジンを利用するフレームワークであるClearSepを提案する。 実験では、ClearSepは複数の音分離タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-04-24T17:58:21Z)
• Unified Convergence Analysis for Score-Based Diffusion Models with Deterministic Samplers [49.1574468325115]
  決定論的サンプリングのための統合収束分析フレームワークを提案する。 我々のフレームワークは$tilde O(d2/epsilon)$の反復複雑性を実現する。 また,Denoising Implicit Diffusion Models (DDIM) タイプのサンプルについて詳細な分析を行った。
  論文  参考訳（メタデータ） (2024-10-18T07:37:36Z)
• Subtractive Training for Music Stem Insertion using Latent Diffusion Models [35.91945598575059]
  本稿では,他の楽器を文脈として与えた個々の楽器茎を合成する方法であるSubtractive Trainingを提案する。 以上の結果から,既存のトラックとシームレスにブレンドしたドラムステムを創り出すためのサブトラクティブトレーニングの有効性が示された。 我々はこの技術をMIDIフォーマットに拡張し、不完全なアレンジメントのために、互換性のあるベース、ドラム、ギター部品をうまく生成する。
  論文  参考訳（メタデータ） (2024-06-27T16:59:14Z)
• Toward Deep Drum Source Separation [52.01259769265708]
  本稿では,独立した単一構造ドラムステムの大規模オーディオデータセットであるStemGMDを紹介する。 合計1224時間、StemGMDはドラムのオーディオデータセットとしてこれまでで最大である。 我々は、StemGMDを利用して、新しいディープドラムソース分離モデルであるLarsNetを開発した。
  論文  参考訳（メタデータ） (2023-12-15T10:23:07Z)
• PROM: A Phrase-level Copying Mechanism with Pre-training for Abstractive Summarization [139.242907155883]
  本研究は,n-gramの注目度を高める新しいPhRaseレベルのcOpying機構であるPROMを提案する。 PROMは、ソースからコピーできるn-gramのトークンを明示的にピックアップするインジケータ層を追加し、コピー予測の補助損失を算出する。 ゼロショット設定では、PROMは生コーパスの自己教師付き事前学習に利用され、広範囲の要約データセットに新しい一般的なベースラインを提供する。
  論文  参考訳（メタデータ） (2023-05-11T08:29:05Z)
• Neural Machine Translation with Contrastive Translation Memories [71.86990102704311]
  Retrieval-augmented Neural Machine Translationモデルは、多くの翻訳シナリオで成功している。 そこで本論文では,新たに検索拡張NMTを提案し,ソース文と相似なコントラスト検索された翻訳記憶をモデル化する。 訓練段階では、目標文に対する各TMの健全な特徴を学習するために、マルチTMコントラスト学習目標を導入する。
  論文  参考訳（メタデータ） (2022-12-06T17:10:17Z)
• Conditional Drums Generation using Compound Word Representations [4.435094091999926]
  複合語表現にインスパイアされた新しいデータ符号化方式を用いて、条件付きドラム生成の課題に取り組む。 本稿では,双方向長短期メモリ(BiLSTM)が条件パラメータに関する情報を受信するシーケンス・ツー・シーケンスアーキテクチャを提案する。 比較的グローバルな注目を集めたトランスフォーマーベースのデコーダが生成したドラムシーケンスを生成する。
  論文  参考訳（メタデータ） (2022-02-09T13:49:27Z)
• Differentiable Digital Signal Processing Mixture Model for Synthesis Parameter Extraction from Mixture of Harmonic Sounds [29.012177604120048]
  DDSPオートエンコーダ(DDSP Autoencoder)は、ディープニューラルネットワーク(DNN)とスペクトルモデリング合成を組み合わせた音響である。 入力音から抽出した基本周波数,音色,大音量(合成パラメータ)を変化させることで,音を柔軟に編集することができる。 モノフォニック・ハーモニック・サウンド用に設計されており、ハーモニックの混合音を扱えない。
  論文  参考訳（メタデータ） (2022-02-01T03:38:49Z)
• Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
  高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。 変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。 提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-11-18T03:06:25Z)
• Source Separation-based Data Augmentation for Improved Joint Beat and Downbeat Tracking [33.05612957858605]
  本研究では、ブラインドドラム分離モデルを用いて、各訓練音声信号からドラムと非ドラム音を分離することを提案する。 提案手法の有効性を検証するために, 完全に見えない4つのテストセットについて実験を行った。
  論文  参考訳（メタデータ） (2021-06-16T11:09:05Z)
• Global Structure-Aware Drum Transcription Based on Self-Attention Mechanisms [18.5148472561169]
  本稿では、音楽信号からタタムレベルのドラムスコアを直接推定する自動ドラム転写(ADT)法について述べる。 ドラムスコアのグローバル反復構造を捉えるために,タタム同期位置符号化を用いた自己アテンション機構をデコーダに導入する。 実験の結果,提案モデルがタタムレベル誤差率とフレームレベルf測定値で従来のrnnモデルを上回ることがわかった。
  論文  参考訳（メタデータ） (2021-05-12T17:04:16Z)
• Visually Informed Binaural Audio Generation without Binaural Audios [130.80178993441413]
  記録のない効果的なパイプラインであるPseudoBinauralを提案します。 本研究では球面高調波分解と頭部関連インパルス応答(hrir)を用いて空間位置と受信音声の関係を同定する。 当社の記録のないパイプラインは、データセット間の評価において大きな安定性を示し、主観的な好みで匹敵するパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-04-13T13:07:33Z)
• Fast accuracy estimation of deep learning based multi-class musical source separation [79.10962538141445]
  本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。 理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
  論文  参考訳（メタデータ） (2020-10-19T13:05:08Z)
• Multitask learning for instrument activation aware music source separation [83.30944624666839]
  本稿では,楽器のアクティベーション情報を用いて音源分離性能を向上させるための新しいマルチタスク構造を提案する。 MUSDBデータセットに含まれる3つの楽器よりも現実的なシナリオである6つの独立した楽器について,本システムについて検討する。 その結果,提案したマルチタスクモデルは,Mixing SecretsとMedleyDBデータセットを混合したベースラインのOpen-Unmixモデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-08-03T02:35:00Z)
• wav2shape: Hearing the Shape of a Drum Machine [4.283530753133897]
  波形からの物理的特性の分離と復元は、音声信号処理において難しい逆問題である。 本稿では,時間周波数解析と教師あり機械学習を組み合わせることでこの問題に対処することを提案する。
  論文  参考訳（メタデータ） (2020-07-20T17:35:24Z)

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。