論文の概要: Music-Source-Separation-Training (MSST): A Unified Framework for Training and Evaluating Music Demixing Models

• arxiv url: http://arxiv.org/abs/2607.23395v1
• Date: Sat, 25 Jul 2026 23:43:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.091287
• Title: Music-Source-Separation-Training (MSST): A Unified Framework for Training and Evaluating Music Demixing Models
• Title（参考訳）: 音楽音源分離訓練(MSST: Music-Source-Separation-Training) : 音楽デミックスモデルの訓練と評価のための統一フレームワーク
• Abstract要約: 音楽ソース分離(MSS)はカラオケやリミックスからオーディオ再生、コンテンツ制作まで幅広い応用の中心である。 本稿ではMSST(Music-Source-Separation-Training)について述べる。
• 参考スコア（独自算出の注目度）: 39.3098730337656
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Music Source Separation (MSS), the task of recovering individual sound components (stems) from a polyphonic mixture, is central to applications ranging from karaoke and remixing to audio restoration and content production. The separation quality depends on engineering decisions across the entire pipeline: model choice, training data preparation and augmentation, loss function and metrics choice, training configuration, validation, and post-processing. This paper presents MSST (Music-Source-Separation-Training) - a universal open-source framework for MSS tasks, which unifies training, validation, and inference for a broad range of modern demixing model families under a single, configuration-driven interface. The framework supports various model architectures, data preprocessing and augmentations, multiple loss functions and evaluation metrics, which helps with fast iterations and ablation studies. Additionally, the framework supports a range of practical techniques that improve separation quality, such as sliding-window inference with cross-fading, test-time augmentation, model ensembling, and fine-tuning via Low-Rank Adaptation (LORA). Our ablation studies demonstrate improvements of MSS using the above techniques. By consolidating these components into a reproducible, YAML-configurable framework, MSST lowers the barrier to systematic experimentation and enables rapid iteration from idea to verifiable result.
• Abstract（参考訳）: 音楽音源分離(MSS)は、カラオケやリミックスからオーディオ再生、コンテンツ制作に至るまで、個々の音成分(幹)をポリフォニック混合物から回収するタスクである。 分離品質は、モデル選択、データ準備と拡張のトレーニング、損失関数とメトリクスの選択、トレーニング設定、検証、後処理といった、パイプライン全体のエンジニアリング上の決定に依存する。 本稿では,MSST(Music-Source-Separation-Training)というMSSタスクのための汎用オープンソースフレームワークについて述べる。 このフレームワークは、様々なモデルアーキテクチャ、データ前処理と拡張、複数の損失関数と評価メトリクスをサポートし、高速なイテレーションとアブレーション研究を支援する。 さらにこのフレームワークは、クロスフェイディングによるスライディングウィンドウ推論、テスト時間拡張、モデルアンサンブル、ローランド適応(LORA)による微調整など、分離品質を改善するための様々な実用的な技術をサポートしている。 以上の手法を用いて,MSSの改良について検討した。 これらのコンポーネントを再現可能なYAML構成可能なフレームワークに統合することにより、MSSTは体系的な実験の障壁を低くし、アイデアから検証可能な結果への迅速なイテレーションを可能にする。

関連論文リスト

• AVRT: Audio-Visual Reasoning Transfer through Single-Modality Teachers [51.016506778535025]
  単一モダリティ教師モデルから高品質な音声視覚推論トレースを生成するフレームワークを開発する。 クロスモーダルトレーニングも単一モーダルタスクに移行することを示す。
  論文  参考訳（メタデータ） (2026-04-17T18:13:27Z)
• 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)
• Frequency-Domain Decomposition and Recomposition for Robust Audio-Visual Segmentation [60.9960601057956]
  本稿では2つの主要なモジュールからなる周波数対応オーディオ・ビジュアルコンポスタ(FAVS)フレームワークを紹介する。 FAVSフレームワークは、3つのベンチマークデータセット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） (2025-09-23T12:33:48Z)
• TISDiSS: A Training-Time and Inference-Time Scalable Framework for Discriminative Source Separation [7.238310342477333]
  我々は、TISDiSS(Training-Time and Inference-Time Scalable Discriminative Source separation)を提案する。 TISDiSSは、早期分割型マルチロス監視、共有パラメータ設計、動的推論繰り返しを統合している。 標準音声分離ベンチマークの実験は、パラメータ数を削減した最先端性能を示す。
  論文  参考訳（メタデータ） (2025-09-19T06:42:27Z)
• Intrinsic Training Signals for Federated Learning Aggregation [13.540945877050525]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散クライアント間で協調的なモデルトレーニングを可能にする。 この研究は、既存のトレーニング信号だけで効果的なモデルマージが達成できることを実証している。
  論文  参考訳（メタデータ） (2025-07-09T13:03:23Z)
• Episode-specific Fine-tuning for Metric-based Few-shot Learners with Optimization-based Training [13.5196633635749]
  メトリックベースのモデルは、クエリの類似性を計算し、学習されたメトリック空間内の埋め込みをサポートする。 ラベル付けされていないクエリサンプルの分類を支援するため、推論中にラベル付きサポートサンプルの小さなセットが提供される。 そこで本研究では,メトリックベースモデルに対して,単純なエピソード固有かつ効果的なインジェクションの微調整手法を提案する。
  論文  参考訳（メタデータ） (2025-06-20T22:24:38Z)
• Memory-guided Network with Uncertainty-based Feature Augmentation for Few-shot Semantic Segmentation [12.653336728447654]
  学習可能なメモリベクトルの集合からなるクラス共有メモリ(CSM)モジュールを提案する。 これらのメモリベクトルは、トレーニング中にベースクラスから要素オブジェクトパターンを学習し、トレーニングと推論の両方でクエリ機能を再エンコードする。 我々は、CSMとUFAを代表的FSS作品に統合し、広く使われているPASCAL-5$i$とCOCO-20$i$データセットの実験結果を得た。
  論文  参考訳（メタデータ） (2024-06-01T19:53:25Z)
• Multimodal Imbalance-Aware Gradient Modulation for Weakly-supervised Audio-Visual Video Parsing [107.031903351176]
  弱分離型音声視覚ビデオ解析(WS-AVVP)は、音声、視覚および音声視覚イベントインスタンスの時間的範囲をローカライズすることを目的としている。 WS-AVVPは、トレーニング用にビデオレベルのカテゴリラベルのみを使用して、対応するイベントカテゴリを特定することを目的としている。
  論文  参考訳（メタデータ） (2023-07-05T05:55:10Z)
• Switchable Representation Learning Framework with Self-compatibility [50.48336074436792]
  自己整合性(SFSC)を考慮した交換可能な表現学習フレームワークを提案する。 SFSCは1つのトレーニングプロセスを通じて、異なる能力を持つ一連の互換性のあるサブモデルを生成する。 SFSCは評価データセット上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） (2022-06-16T16:46:32Z)

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。