音源クラス識別器つき多チャンネル変分自己符号化器を用いた高速セミブラインド音源分離

摘要

ブラインド音源分離（Blind Source Separation:BSS）とは，音源信号や音源からマイクまでの伝達特性が未知の場合に，複数の音源信号が混合された観測信号から音源信号を推定する問題である．周波数領域で定式化されるBSS のアプローチは，周波数ごとの音源分離の問題と周波数ごとに得られる分離信号がそれぞれどの音源のものであるかを対応づけるパーミュテーション整合と呼ぶ問題を併せて解く必要があるが，音源の混合過程を畳み込み演算を含まない瞬時混合系で表せるため比較的効率の良いアルゴリズムを実現できる利点がある．また，音源に関する時間周波数領域で成り立つ様々な仮定やマイクロホンアレーの周波数応答に関する仮定が有効活用できるようになることも大きな利点である．例えば，多チャンネル非負値行列因子分解（Multichannel Non-negative MatrixFactorization: MNMF） は，各音源のパワースペクトログラムを非負値行列とみなし，二つの非負値行列の積で表現するアプローチである．これは，各時間フレームでパワースペクトルを時間変化する振幅でスケーリングされた基底スペクトルの線形和によって近似することに相当する．これによりMNMF は音源のスペクトル構造を手がかりにしながら周波数ごとの音源分離とパーミュテーション整合の同時解決を可能にしている．では優決定条件に特化したMNMF の枠組が初めて導入され，その枠組は後年独立低ランク行列分析（Independent Low-Rank Matrix Analysis:ILRMA）と呼ばれている．MNMF やILRMA は，低ランク構造を持つ特定の音源に対して有効である一方で，限られた基底の線形和で正しく表現できない音源に対しては分離性能が制限される．