原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
DetectionandClassificationofAcousticScenesandEvents202530–31October2025,Barcelona,Spain
关于音频源分离中的时间引导和迭代细化
TobiasMorocutti,JonathanGreif,PaulPrimus,FlorianSchmid,GerhardWidmer
InstituteofComputationalPerception(CP-JKU),LITArtificialIntelligenceLab,
JohannesKeplerUniversityLinz,Austria
{tobias.morocutti,jonathan.greif,paul.primus}@jku.at
摘要—声音场景的空间语义分割（S5）涉及准确识别活跃的声音类间-FiLM）；以及(2)将其隐藏特征的加权和注入ResUNet，
别，并从复杂的声学混合中精确分离其来源。传统系统依赖于两阶段的添加时间对齐语义（嵌入注入）。
流水线——音频标签化后进行基于标签条件的源分离，但往往受限于缺
双路径RNN集成：为了更好地捕捉长范围的时间依赖关系，
乏对有效分离至关重要的细粒度时间信息。在这项工作中，我们通过引
入一种新的S5方法来解决这一限制，该方法增强了事件检测和源分离我们在ResUNet的嵌入空间中加入了双路径RNN[9]，使
阶段之间的协同作用。我们的贡献有三点。首先，我们将一个预训练的时间上的上下文建模更为有效。
Transformer微调以检测活跃的声音类别。其次，我们利用这个微调后的迭代refinement受最近迭代分离策略[10]的启发，我们应
Transformer的一个独立实例执行声音事件检测（SED），为分离模块提用了一种简单而有效的改进技术：将分离器的输出递归地反
供详细的、随时间变化的指导。第三，我们实现了一个迭代细化机制，通
馈到模型中，逐步提高分离质量。
本过递归地重复使用先前迭代中分离器的输出来逐步提高分离质量。这些
译进步在我们的系统在DCASE挑战赛2025的任务4中的第二名成绩得到第2节提供了问题的简要形式化。在第3节和第4节中，我
了体现，显著提高了音频标签化和源分离性能。我们的实现和模型检查们分别描述了对我们事件检测和分离阶段所做的修改。第5节概
1
点可在我们的GitHub仓库中获得。
中述了实验设置，而第6节展示了对所提出改进效果的研究结果。
IndexTerms—DCASE挑战赛，音频源分离，M2D，ResUNet，
1AudioSep，时间-FiLM，迭代细化，DPRNN最后，第7节总结了本文。
v
72.问题形式化
91.介绍
2S5任务的目标是从在真实环境中记录的多通道时域混音中检测
7声音场景的空间语义分割（S5）旨在从复杂的声学混合物中识别和分离个别声音事件。设
1和分离出个体声音源。为此，S5系统通常分为两个阶段操作。在
.
7第一阶段，一个剪辑级事件检测器确定混合中存在的声音事件集
0合。在第二阶
文档评论（0）