モデル
BandIt と TIGER-DnR: 映画とテレビの 3 トラック分離の計算割り当てを巡る争い
映画とテレビの音声 / DnR
映画とテレビの音声 / DnR
© 2026 TelkNet。無断転載を禁じます。
シネマティックオーディオ / DnR
映画音響の分離では、長い区間にわたって共存する3つの大きな音源クラスを保たなければならない。BandIt は容量を非均一スペクトルバンドに割き、TIGER はより効率的なシーケンスモデルを追求する。
推定値を参照信号に射影して s_target=<ŝ,s>s/||s||² と置き、続いて SI-SNR=10log10(||s_target||²/||ŝ-s_target||²) を計算する。ゲインの影響は除かれるが、トランジェントのにじみや空間の損傷は、やはり試聴テストでしか見抜けない。
BandIt は非均一バンドで情報密度の高い領域をモデル化し、バンド間で情報をやり取りする。同一プロトコルの比較では 10.9 dB と報告され、公開済みの SFC-Locoformer medium チェックポイントの 11.8 dB を下回る。したがって BandIt は既定の選択肢ではなく、構造比較のための存在という位置づけになる。
TIGER-DnR は対応する DnR の文脈で約 9.8 dB と報告され、効率的な時間・周波数相互作用を重視している。その数字は明示されたプロトコルとセットでのみ意味を持ち、速度・ライセンス・分離品質は別個の軸のままだ。
DnR は対話・音楽・効果音という映画音響分離の共通目標を確立した。BandIt は非均一の周波数バンドをモデル化し、TIGER は長系列のコストを削減する。両者は互いを置き換える関係ではなく、異なる工学的問いに答えている。
SFC-Locoformer はその後、BandIt が 10.9 dB を記録した同じ DnR v2 の表で 11.8 dB を報告している。TIGER の公開された証拠は効率性と個別の実験に重点を置いている。対応する行がない以上、TIGER は選択可能なモデルであって、でっち上げのランキング位置ではない。
h_b=Enc_b(X[F_b,:]), Ŝ=Dec({h_b}_{b=1}^B)F_bバンド b 内の周波数ビンEnc_bバンド内エンコードDecバンド間再構成BandIt は複素スペクトルを非均一バンドに整理してから、バンド内・バンド間で情報交換を行う。TIGER はより軽い系列表現を重視する。どちらも DnR ステムを出力するが、計算の使い方は異なる。
分割、サンプルレート、ステム定義、指標の実装が一致して初めて、数字どうしを並べられる。対応するプロトコルがないのに TIGER の欄を空けておく方が、別の表から数字を借りてくるより厳密だ。
論文・コード・重みは BandIt / TIGER / DnR の比較資料からたどれる。
各行は出典となる構造、指標、タスク定義を保持し、共通プロトコルを持たない結果は分離したままにする。
| モデル | 構造または証拠 | 範囲 |
|---|---|---|
| SFC-Locoformer medium | 11.8 dB SI-SDR | 同じ DnR v2 表における現在の品質基準 |
| BandIt | 10.9 dB SI-SDR | 同一プロトコルのバンド分割ベースライン |
| TIGER-DnR | 効率性の証拠は別途提示 | 対応する表の行がないため順位なし |
対話では歯擦音・息づかい・遠くのセリフを、音楽では音声のゴーストや傷ついたパーカッションを、効果音では足音・扉・アンビエンスの連続性を聴き分ける。SI-SDR の平均値はこうした試聴チェックを代行してくれない。
納品用マスターにはダッキング、リミッティング、チャンネル折り込み、ラウドネス処理が含まれる。論文のモノラルプロトコルは再現可能なベースラインであって、あらゆるマスターを代表するわけではない。ファイルとモデルのメタデータがあれば、トラック単位の A/B 比較が可能になる。
効果音は足音・雨・交通・拍手といった個別の音ではなく、広い入れ物にとどまる。3つのステムは、オブジェクトレベルの音理解を意味しない。
公開スコアはデータセットの版、サンプルレート、計算量に依存する。リーダーボードの各行には、指標の向き、プロトコル、出典が保持される。
モデル名・数値・限界は、以下の論文、リポジトリ、モデルカードに遡れる。