End-to-end music source separation: is it possible in the waveform domain?

文章见：http://arxiv-ai.com/discuss?id=1810.12187

大多数目前成功的源分离技术使用幅度谱图作为输入，因此默认情况下省略信号的一部分：相位。为避免遗漏可能有用的信息，请研究使用端到端模型进行音乐源分离的可行性 - 它考虑了原始音频信号中可用的所有信息，包括相位。尽管在过去的几十年中，端到端音乐源分离被认为几乎无法实现，但我们的结果证实，基于波形的模型与基于基于视图的深度学习模型的表现相似（如果不是更好）。即：我们提出的基于Wavenet的模型和Wave-U-Net可以胜过最近基于谱图的深度学习模型DeepConverSe。https://github.com/francesclluis/source-separation-wavenet

 

之前测试过科大讯飞的视频语音识别效果很差，如果利用这个方法先进行音乐源分离再送到科大讯飞的语音识别，说不定效果会更好？