โมเดล
BandIt และ TIGER-DnR: การต่อสู้เพื่อการคำนวณการแยกสามแทร็กสำหรับภาพยนตร์และโทรทัศน์
เสียงภาพยนตร์และโทรทัศน์ / DnR
เสียงภาพยนตร์และโทรทัศน์ / DnR
เสียงภาพยนตร์ / DnR
งานแยกเสียงระดับภาพยนตร์ต้องคงคลาสแหล่งเสียงหลักสามกลุ่มไว้ครบ ทั้งที่เสียงเหล่านั้นดังพร้อมกันต่อเนื่องเป็นเวลานาน BandIt ทุ่มกำลังประมวลผลไปที่ย่านสเปกตรัมแบบไม่สม่ำเสมอ ส่วน TIGER เลือกเดินหน้ากับตัวแบบลำดับที่ประหยัดกว่า
ฉายค่าประมาณลงบนสัญญาณอ้างอิง s_target=<ŝ,s>s/||s||² แล้วจึงคำนวณ SI-SNR=10log10(||s_target||²/||ŝ-s_target||²) อัตราขยายถูกตัดออกไป แต่การเบลอของทรานเซียนต์และความเสียหายเชิงมิติเสียงยังต้องพิสูจน์ด้วยการทดสอบฟังจริง
BandIt สร้างแบบจำลองบริเวณที่หนาแน่นด้วยข้อมูลผ่านย่านความถี่แบบไม่สม่ำเสมอ และแลกเปลี่ยนข้อมูลข้ามย่านเหล่านั้น ในการเปรียบเทียบภายใต้โปรโตคอลเดียวกัน BandIt ทำได้ 10.9 dB ต่ำกว่าเช็กพอยต์ SFC-Locoformer medium ที่เผยแพร่แล้วซึ่งอยู่ที่ 11.8 dB BandIt จึงเป็นตัวเปรียบเทียบเชิงสถาปัตยกรรม มากกว่าจะเป็นตัวเลือกเริ่มต้น
TIGER-DnR มีรายงานผลราว 9.8 dB ในบริบท DnR ที่สอดคล้องกัน และเน้นปฏิสัมพันธ์เวลา–ความถี่ที่ประหยัดกำลัง ตัวเลขดังกล่าวใช้ได้เฉพาะเมื่อระบุโปรโตคอลของมันเท่านั้น ความเร็ว สัญญาอนุญาต และคุณภาพการแยกเสียงยังคงเป็นแกนคนละแกนกัน
DnR กำหนดให้เสียงสนทนา ดนตรี และเอฟเฟกต์เป็นเป้าหมายร่วมของงานแยกเสียงระดับภาพยนตร์ BandIt สร้างแบบจำลองย่านความถี่แบบไม่สม่ำเสมอ ขณะที่ TIGER ลดต้นทุนของลำดับยาว ทั้งสองตอบคำถามทางวิศวกรรมคนละข้อ ไม่ได้เข้ามาแทนที่กัน
ภายหลัง SFC-Locoformer รายงาน 11.8 dB ในตาราง DnR v2 เดียวกับที่ BandIt รายงาน 10.9 dB หลักฐานสาธารณะของ TIGER เน้นไปที่ประสิทธิภาพและการทดลองแยกต่างหาก เมื่อไม่มีแถวที่เทียบกันได้ TIGER จึงเป็นเพียงโมเดลที่เลือกใช้ได้ ไม่ใช่อันดับบนกระดานคะแนนที่สร้างขึ้นมาเอง
h_b=Enc_b(X[F_b,:]), Ŝ=Dec({h_b}_{b=1}^B)F_bช่องความถี่ในย่าน bEnc_bการเข้ารหัสภายในย่านDecการสร้างสัญญาณคืนข้ามย่านBandIt จัดระเบียบสเปกตรัมเชิงซ้อนออกเป็นย่านแบบไม่สม่ำเสมอ ก่อนแลกเปลี่ยนข้อมูลทั้งภายในและข้ามย่าน ส่วน TIGER เน้นการแทนลำดับที่ต้นทุนต่ำกว่า ทั้งคู่ให้สเต็มตาม DnR เหมือนกัน แต่ใช้พลังประมวลผลต่างกัน
ตัวเลขจะอยู่ร่วมกันได้ก็ต่อเมื่อการแบ่งชุดข้อมูล อัตราสุ่ม นิยามสเต็ม และการติดตั้งมาตรวัดตรงกันเท่านั้น การเว้นช่องของ TIGER ไว้เมื่อไม่มีโปรโตคอลที่ตรงกัน ย่อมเข้มงวดกว่าการยืมตัวเลขจากตารางอื่น
ติดตามบทความวิชาการ โค้ด และน้ำหนักโมเดลได้จากการเปรียบเทียบ BandIt / TIGER / DnR
แต่ละแถวคงสถาปัตยกรรมต้นทาง มาตรวัด หรือนิยามงานของตนไว้ ผลลัพธ์ที่ไม่มีโปรโตคอลร่วมจึงยังแยกกันอยู่
| โมเดล | สถาปัตยกรรมหรือหลักฐาน | ขอบเขต |
|---|---|---|
| SFC-Locoformer medium | 11.8 dB SI-SDR | ค่าอ้างอิงคุณภาพปัจจุบันในตาราง DnR v2 เดียวกัน |
| BandIt | 10.9 dB SI-SDR | เส้นฐานแบบแบ่งย่านภายใต้โปรโตคอลเดียวกัน |
| TIGER-DnR | หลักฐานด้านประสิทธิภาพแสดงแยกต่างหาก | ไม่จัดอันดับเมื่อไม่มีแถวที่ตรงกัน |
กับเสียงสนทนาให้ตรวจเสียงพ่นพรืด ลมหายใจ และบทพูดที่อยู่ไกล กับดนตรีให้ตรวจเงาเสียงพูดและเครื่องเคาะที่เสียหาย กับเอฟเฟกต์ให้ตรวจความต่อเนื่องของเสียงฝีเท้า เสียงประตู และบรรยากาศ ค่า SI-SDR เฉลี่ยไม่ได้ทำการตรวจฟังเหล่านั้นให้
มาสเตอร์ที่ส่งมอบจริงมีทั้ง ducking, limiting การยุบชาแนลลง และการประมวลผลความดัง โปรโตคอลแบบโมโนในบทความวิชาการเป็นเพียงเส้นฐานที่ทำซ้ำได้ ไม่ใช่มาสเตอร์ทุกชุด เมทาดาทาของไฟล์และของโมเดลทำให้เปรียบเทียบ A/B ในระดับแทร็กได้
เอฟเฟกต์ยังเป็นตะกร้ากว้าง มากกว่าจะเป็นเสียงฝีเท้า เสียงฝน เสียงจราจร หรือเสียงปรบมือ สามสเต็มไม่เท่ากับการเข้าใจเสียงในระดับวัตถุ
คะแนนที่เผยแพร่ขึ้นกับเวอร์ชันชุดข้อมูล อัตราสุ่ม และวิธีคำนวณ ทุกแถวบนกระดานคะแนนจึงคงทิศทางของมาตรวัด โปรโตคอล และแหล่งที่มาไว้
ชื่อโมเดล ตัวเลข และข้อจำกัดทั้งหมดย้อนไปถึงบทความ รีพอซิทอรี หรือการ์ดโมเดลด้านล่าง