摘要

深度神经网络已成为音频源分离（ASS）不可或缺的技术。最近有报道称，一种称为MMDenseNet的卷积神经网络（CNN）架构变体被成功应用于解决估计声源幅度的ASS问题，并在DSD100数据集上取得了最先进的结果。为了进一步提升MMDenseNet的性能，本文提出了一种新的架构，该架构在多个尺度上整合了长短时记忆（LSTM）单元，并通过跳过连接有效地建模音频上下文中的长期结构。实验结果显示，所提出的方法在性能上优于MMDenseNet、LSTM以及这两种网络的简单融合。此外，所提出的模型在参数数量和处理时间方面显著低于简单融合方法。更重要的是，在歌唱声音分离任务中，所提出的方法比使用理想二值掩模获得的结果更好。