Singing Voice Separation via Data adaptive Principal Component Analysis

Abstract

Singing-voice separation is an important task for extracting singing voice from music signal. Singing voice provides useful information about a song which is used in many applications. Music accompaniment can be assumed to be in a low-rank subspace, since it has a repetition structure in a song. On the other hand, singing voices can be assumed to be relatively sparse within songs. Based on this assumption, Huang et al. (2012) proposed to use robust principal component analysis for singing-voice separation. However, if music signal is corrupted by noise, it is not appropriate to use robust principal component analysis for singing-voice separation. In this thesis, we propose using Data-adaptive principal component analysis for separation approach. In a simulation study, we observe that our approach have better performance when music signal is corrupted by noise.

음악에서의 보컬 분리는 음악 신호에서 사람의 보컬을 추출하는 중요한 작업이다. 사람의 보컬은 음악에 대한 유용한 정보를 제공하고 다양한 분야에서 사용된다. 음악 반주는 음악에서 반복적인 구조를 가지므로, 저차원 부분 공간에 존재한다고 가정할 수 있다. 반면에, 보컬은 음악에서 상대적으로 드물게 존재한다고 가정할 수 있다. 이런 가정하에서, Huang(2012)은 로버스트 주성분 분석을 음악에서의 보컬 분리에 사용하는 것을 제안했다. 하지만, 음악 신호가 잡음으로 오염되어 있다면, 로버스트 주성분 분석을 사용하는 것은 적절하지 않다. 본 논문에서 우리는 보컬 분리에 자료 적응형 주성분 분석을 사용하는 것을 제안한다. 시뮬레이션에서 우리는 음악 신호가 잡음으로 오염되어 있는 경우, 우리가 제안한 방법이 기존의 방법보다 더 좋은 성과를 가짐을 확인하였다.