要約
音源分離モデルは、スペクトログラム領域または波形領域のいずれかで動作する。本研究では、各音源に最も適した領域をモデルが自動的に選択し、場合によっては両領域を組み合わせることを可能にする、エンドツーエンド型ハイブリッド音源分離の手法を提示する。提案するデムクス（Demucs）アーキテクチャのハイブリッド版は、ソニーが主催したMusic Demixing Challenge 2021で優勝を達成した。このアーキテクチャには、圧縮された残差ブランチ（compressed residual branches）、局所的アテンション（local attention）、特異値正則化（singular value regularization）といった追加的な改良も組み込まれている。全体として、MusDB HQデータセット上で測定された信号対歪み比（SDR）において、すべての音源で平均1.4 dBの向上が観察された。この改善は人間による主観評価でも確認されており、総合的な品質評価は5段階中2.83点（非ハイブリッド版デムクスは2.36点）を記録した。また、混入（contamination）の absence（存在しない状態）の評価では3.04点（非ハイブリッド版デムクスは2.37点、コンペティションで2位となったモデルは2.44点）を達成し、品質の向上と干渉の低減が同時に実現されたことが示された。