SFC-Locoformer：11.8 dB DnR 的自適應頻譜壓縮與對白邊界

論文研讀 / 影視分離

DnR 把節目混音拆成對白、音樂與音效。這三類聲源在時間與頻率上彼此重疊，問題無法簡化成語音活動偵測。SFC-Locoformer、BandIt 與 TIGER-DnR 面對同一項任務，採用的壓縮方式、序列成本與公開證據各不相同。

頻譜壓縮

STFT 產生複數頻譜 X(t,f)。讓每個相鄰頻段都分到相同的通道預算，等於把算力花在高度相關的特徵上。SFC 學習一組投影，把頻譜壓進一條更緊湊的頻譜軸：

Z(t,k)=Σ_f C(k,f)·[Re X(t,f), Im X(t,f)]

解碼器透過交叉注意力，把壓縮後的表示還原回目標頻段。這一步並未砍掉高頻：子音瞬態、持續泛音與寬頻音效，分離器仍然都拿得到。

局部與長程上下文

局部區塊負責刻畫撞擊聲、爆破音與鼓點起音；跨視窗的交流則承載音樂鋪底、整句話與環境氛圍。若只用一片稠密注意力場，記憶體會隨時長急遽膨脹。Locoformer 把局部混合與節省的長程交換結合起來，讓釋出的 medium checkpoint 維持在實用的規模。

正確解讀 11.8 dB

Table II 在同一套 DnR 測試協定下，記錄 SFC-Locoformer medium 為 11.8 dB、BandIt 為 10.9 dB。所用的尺度不變目標為：

SI-SDR=10 log10(||s_target||² / ||e_noise||²)

它支援同一協定內的排名，無法用來對照 MUSDB、另一版 DnR 或精挑的片段。領先 0.9 dB 也不保證每一段電影片段都勝出；摩擦音、環境聲的寬度與音效瞬態，仍需要盲聽檢驗。

已釋出的程式碼與權重

作者公開了 SFC-CA、SFC-Mamba 與 BandIt 編碼器、TF-Locoformer 分離器，以及 MUSDB18-HQ 與 DnR 的預訓練權重。論文架構、儲存庫實作與模型卡檔案因此可以互相核對；11.8 dB 仍然只屬於 Table II 的 DnR v2 協定。