মডেল
BandIt এবং TIGER-DnR: ফিল্ম এবং টেলিভিশনের জন্য তিন-ট্র্যাক পৃথকীকরণের গণনা করার যুদ্ধ
ফিল্ম এবং টেলিভিশন সাউন্ড / DnR
ফিল্ম এবং টেলিভিশন সাউন্ড / DnR
সিনেম্যাটিক অডিও / DnR
সিনেম্যাটিক সেপারেশনে দীর্ঘ অংশ জুড়ে পাশাপাশি বেঁচে থাকা তিনটি বিস্তৃত উৎস-শ্রেণিকে অক্ষত রাখতে হয়। BandIt তার সামর্থ্য খরচ করে অ-সমান বর্ণালী ব্যান্ডে; TIGER বেছে নেয় আরও দক্ষ সিকোয়েন্স মডেলের পথ।
অনুমানটিকে রেফারেন্সের ওপর প্রক্ষেপণ করুন, s_target=<ŝ,s>s/||s||², তারপর হিসাব করুন SI-SNR=10log10(||s_target||²/||ŝ-s_target||²)। গেইন বাদ পড়ে যায়, কিন্তু ট্রানজিয়েন্টের ছোঁয়াচ আর স্থানিক ক্ষতি এখনও শোনার পরীক্ষা চায়।
BandIt অ-সমান ব্যান্ড দিয়ে তথ্যঘন অঞ্চলগুলো মডেল করে এবং ব্যান্ডগুলোর মধ্যে তথ্য আদান-প্রদান করে। একই প্রোটোকলের তুলনায় এর ফল 10.9 dB, প্রকাশিত SFC-Locoformer medium চেকপয়েন্টের 11.8 dB-এর চেয়ে নিচে। তাই BandIt ডিফল্ট নয়, বরং একটি স্থাপত্যিক তুলনামূলক বিকল্প।
DnR-এর সংশ্লিষ্ট প্রেক্ষাপটে TIGER-DnR-এর ফল প্রায় 9.8 dB বলে জানানো হয়েছে, এবং এটি দক্ষ সময়–কম্পাঙ্ক মিথস্ক্রিয়ার ওপর জোর দেয়। ওই সংখ্যাটি শুধু তার নির্দিষ্ট প্রোটোকলের সঙ্গে অর্থবহ; গতি, লাইসেন্স আর বিভাজন মান থেকে যায় আলাদা আলাদা অক্ষ।
DnR সংলাপ, সঙ্গীত আর ইফেক্টকে প্রতিষ্ঠিত করেছে সিনেম্যাটিক সেপারেশনের যৌথ লক্ষ্য হিসেবে। BandIt অ-সমান ফ্রিকোয়েন্সি ব্যান্ড মডেল করে, অন্যদিকে TIGER দীর্ঘ সিকোয়েন্সের খরচ কমায়; একটি আরেকটির জায়গা নেওয়ার বদলে এরা উত্তর দেয় ভিন্ন ভিন্ন প্রকৌশল প্রশ্নের।
পরে SFC-Locoformer সেই একই DnR v2 টেবিলে 11.8 dB জানায়, যেখানে BandIt জানায় 10.9 dB। TIGER-এর প্রকাশ্য প্রমাণে গুরুত্ব পেয়েছে দক্ষতা ও পৃথক পরীক্ষণ। ম্যাচ করা সারি না থাকায় এটি থেকে যায় একটি নির্বাচনযোগ্য মডেল হিসেবে, তৈরি করে দেওয়া কোনো লিডারবোর্ড অবস্থান নয়।
h_b=Enc_b(X[F_b,:]), Ŝ=Dec({h_b}_{b=1}^B)F_bb ব্যান্ডের ফ্রিকোয়েন্সি বিনEnc_bব্যান্ডের ভেতরের এনকোডিংDecব্যান্ডজুড়ে পুনর্গঠনBandIt জটিল বর্ণালীকে অ-সমান ব্যান্ডে সাজায়, তারপর ব্যান্ডের ভেতরে ও ব্যান্ডজুড়ে তথ্য বিনিময় করে। TIGER গুরুত্ব দেয় সাশ্রয়ী সিকোয়েন্স উপস্থাপনায়। দুটোই DnR স্টেম তৈরি করে, তবে কম্পিউট খরচ করে ভিন্নভাবে।
সংখ্যাগুলো তখনই একসঙ্গে রাখা যায় যখন স্প্লিট, স্যাম্পল রেট, স্টেম সংজ্ঞা আর মেট্রিক বাস্তবায়ন মিলে যায়। ম্যাচ করা প্রোটোকল না থাকলে TIGER-এর ঘর ফাঁকা রাখা অন্য টেবিল ধার করার চেয়ে বেশি যথাযথ।
BandIt / TIGER / DnR তুলনার মাধ্যমে পেপার, কোড আর ওয়েট অনুসরণ করা যায়।
প্রতিটি সারি ধরে রাখে তার নিজের উৎস-স্থাপত্য, মেট্রিক বা টাস্ক সংজ্ঞা; ভাগ করা প্রোটোকল ছাড়া ফলাফল থাকে আলাদাই।
| মডেল | স্থাপত্য বা প্রমাণ | পরিধি |
|---|---|---|
| SFC-Locoformer medium | 11.8 dB SI-SDR | একই DnR v2 টেবিলের বর্তমান মান-রেফারেন্স |
| BandIt | 10.9 dB SI-SDR | একই প্রোটোকলের ব্যান্ড-বিভাজন বেসলাইন |
| TIGER-DnR | দক্ষতার প্রমাণ আলাদাভাবে দেখানো | ম্যাচ করা সারি ছাড়া কোনো র্যাংক নেই |
সংলাপে যাচাই করুন ঝষধ্বনি, নিঃশ্বাস আর দূরের সংলাপ; সঙ্গীতে বক্তৃতার ভূতুড়ে আভাস আর ক্ষতিগ্রস্ত পারকাশন; ইফেক্টে পায়ের শব্দ, দরজা আর পরিবেশ-শব্দের ধারাবাহিকতা। গড় SI-SDR এই শোনার যাচাইগুলো করে না।
ডেলিভারি মাস্টারে থাকে ডাকিং, লিমিটিং, চ্যানেল ফোল্ড-ডাউন আর লাউডনেস প্রসেসিং। কোনো পেপারের মনো প্রোটোকল একটি পুনরুৎপাদনযোগ্য বেসলাইন, সব মাস্টারের প্রতিনিধি নয়। ফাইল ও মডেলের মেটাডেটা ট্র্যাক-স্তরের A/B তুলনা সম্ভব করে।
ইফেক্টস এখনও একটি বিস্তৃত পাত্র, পায়ের শব্দ, বৃষ্টি, যানবাহন বা করতালির মতো সুনির্দিষ্ট শ্রেণি নয়। তিনটি স্টেম মানে বস্তু-স্তরের শব্দ-উপলব্ধি নয়।
প্রকাশিত স্কোর নির্ভর করে ডেটাসেট সংস্করণ, স্যাম্পল রেট আর গণনা-পদ্ধতির ওপর। প্রতিটি লিডারবোর্ড সারিতে থেকে যায় মেট্রিকের দিক, প্রোটোকল আর উৎস।
মডেলের নাম, সংখ্যা আর সীমাবদ্ধতার উৎস নিচের পেপার, রিপোজিটরি বা মডেল কার্ডে খোঁজা যায়।