[论文解读] A Comparison and Combination of Unsupervised Blind Source Separation Techniques

Christoph Böddeker, Frederik Rautenberg+1 more|arXiv (Cornell University)|Jun 10, 2021

Blind Source Separation Techniques参考文献 30被引用 8

一句话总结

该论文在混响、多通道语音数据集上对比并结合了无监督盲源分离技术——空间混合模型（SMM）与独立向量分析（IVA）。通过将SMM的输出串行地作为IVA的初始化，该方法在IVA单独使用的基础上实现了10%的相对WER改进，并接近最先进的神经网络性能，表明基于稀疏性和非高斯性的分离模型具有互补优势。

ABSTRACT

Unsupervised blind source separation methods do not require a training phase and thus cannot suffer from a train-test mismatch, which is a common concern in neural network based source separation. The unsupervised techniques can be categorized in two classes, those building upon the sparsity of speech in the Short-Time Fourier transform domain and those exploiting non-Gaussianity or non-stationarity of the source signals. In this contribution, spatial mixture models which fall in the first category and independent vector analysis (IVA) as a representative of the second category are compared w.r.t. their separation performance and the performance of a downstream speech recognizer on a reverberant dataset of reasonable size. Furthermore, we introduce a serial concatenation of the two, where the result of the mixture model serves as initialization of IVA, which achieves significantly better WER performance than each algorithm individually and even approaches the performance of a much more complex neural network based technique.

研究动机与目标

• 在大型混响多通道语音数据集上，对比无监督盲源分离技术——SMM（基于稀疏性）与IVA（基于非高斯性）的性能。
• 探究SMM与IVA的互补假设是否可通过算法组合得以利用，以提升分离效果及下游ASR性能。
• 评估基于SMM的初始化对IVA收敛性与鲁棒性的影响，特别是减少分离效果差的样本数量。
• 在WER与SDR指标下，将所提出的串联方法与最先进的基于神经网络的系统进行基准对比，同时保持阵列无关的设计。

提出的方法

• SMM使用期望最大化（EM）算法在STFT域估计源活动后验概率，假设每个时频单元仅有一个源激活（即稀疏性）。
• IVA通过利用语音信号的非高斯性与非平稳性，在频域实现联合分离，假设混合矩阵为可逆矩阵。
• 提出一种串行链式方法：将SMM的输出用作IVA分离矩阵的初始化，以提升收敛性与鲁棒性。
• 该方法采用基于SMM掩蔽的波束成形，并结合联合频域处理的IVA，避免了排列模糊性问题。
• 在源分离前，应用加权预测误差（WPE）作为预处理步骤，以减少混响影响。
• 在最多6个麦克风、混响条件下的SMS-WSJ数据集上，使用SDR与词错误率（WER）评估性能。

实验结果

研究问题

• RQ1 在混响多通道语音数据集上，SMM与IVA在SDR与WER性能方面有何差异？
• RQ2 当SMM（稀疏性）与IVA（非高斯性）的互补假设被结合时，是否能实现更好的分离效果？
• RQ3 使用SMM输出初始化IVA是否能减少分离效果差的样本数量并改善WER？
• RQ4 所提出的串联方法在WER与SDR方面与最先进的基于神经网络的系统相比如何？

主要发现

• IVA在SDR与WER上均优于SMM，在SMS-WSJ数据集上分别达到13.84 dB SDR与10.91% WER。
• 使用SMM输出初始化IVA可使WER降低超过1个百分点（从10.91%降至9.55%），并将SDR ≤7 dB的混合信号比例从3.2%降至2.0%。
• 所提出的串联方法（WPE + SMM + IVA）实现9.55% WER与16.84 dB SDR，接近最先进结果（8.52% WER）——后者来自一个复杂、含1400万参数的神经网络系统。
• 所提出的无监督方法优于阵列无关的神经网络基线系统，包括[33]中报告的16.84% WER系统，尽管其参数更少且无需训练数据。
• 基于SMM的初始化显著提升了IVA的鲁棒性，尤其在减少低SDR异常值方面，而这些异常值会显著降低ASR性能。