摘要

将音乐音频信号分解为其人声与伴奏成分的过程，类似于图像到图像的转换任务，即把混合的频谱图转换为各自的声源成分。本文提出将最初用于医学影像处理的U-Net架构应用于声源分离任务，鉴于其在重建高质量音频所必需的精细低层细节方面表现出的卓越能力。通过定量评估与主观听觉测试，实验结果表明，所提出的算法达到了当前最先进的性能水平。