多チヤンネノレウイーナーフィルタを用いた音源分離におけるスパースモデルと最小二乗誤差モデルの性能比較

摘要

歪みの少ない劣決定音源分離手法であるDuongらの多チャンネルウィーナーフィルタは，観測信号が多変量正規分布に従う多チャンネル音像の重ね合わせであるという仮定を用いて，各音源の音像を隠れ変数としたEMァルゴリズムにより時間周波数スロット毎の共分散行列を推定し，得られたパラメタによる最大事後確率推定として各音源の音像を求める.この手法は多くの劣決定音源分離手法が用いるスパース性の仮定を利用しない点で特徴的である.本稿では,Duong法の3つの特徴である多変量正規分布による音像のモデル化，多チャンネルウィーナーフィルタとスパース性を仮定しない観測モデルの有効性を調査するため，Duong法と同様の生成モデルの音像がスパースに観測されると仮定した音源分離手法を新たに定式化し，従来のバイナリマスク手法と共にDuong法と比較する.実験の結果，Duong法の3つの特徴全ての有効性を確認した.%Multichannel Wiener filter proposed by Duong et al. can conduct underdetermined blind source separation (BSS) with low distortion. This method assumes that the observed signal is the superimposition of the multichannel source images generated from multivariate normal distributions. The covariance matrix in each time-frequency slot is estimated by EM algorithm which treats the source images as the latent variables. Using the estimated parameters, the source images are separated as the maximum a posteriori estimate. It is worth nothing that this method does not use assumption of sparseness, which is usually used in underdetermined BSS.In this paper we investigate the effectiveness of the three features of Duong's method, i.e., the source image model with multivariate normal distribution, the observation model without sparseness assumption, and the multicnannel Wiener filter. We newly formulate the BSS method with the similar source image model and the different observation model assuming sparseness, and compare with the Duong's method and the conventional binary masking. Experimental results confirmed the effectiveness of all the three features of Duong's method.