Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2601.22599

帮助 | 高级搜索

计算机科学 > 声音

arXiv:2601.22599 (cs)
[提交于 2026年1月30日 ]

标题: 一种语义一致的数据集用于数据高效的基于查询的通用声音分离

标题: A Semantically Consistent Dataset for Data-Efficient Query-Based Universal Sound Separation

Authors:Kai Li, Jintao Cheng, Chang Zeng, Zijun Yan, Helin Wang, Zixiong Su, Bo Zheng, Xiaolin Hu
摘要: 基于查询的通用声音分离是智能听觉系统的基础,旨在从混合信号中隔离特定声源。 尽管最近取得了进展,现有方法在复杂的声学场景中仍持续受到残留干扰的影响。 这种性能限制主要源于数据瓶颈:真实环境数据集包含弱标签和严重的事件共现。 这些缺陷导致模型学习背景噪声与目标类别之间的虚假相关性,而不是稳健的声学特征。 为了解决这个问题,我们提出了一种自动化流程,通过语义一致的合成协议从真实环境数据集中挖掘高纯度单事件片段,从而消除事件的共现。 利用该流程,我们构建了Hive,一个高质量的合成数据集,包含2.4千小时的原始音频。 实验结果表明,与在比Hive大500倍的数据集$\sim$上训练的最先进的SAM-Audio模型相比,某些在Hive上训练的开源模型实现了具有竞争力的分离准确性和感知质量。 此外,这些模型在分布外评估基准上表现出显著的零样本泛化能力。 这些发现表明,优先考虑监督信号的纯净度可以实现显著的数据效率,为以减少计算成本的方式训练稳健的听觉基础模型提供了新范式。 代码和数据集可在https://shandaai.github.io/Hive获取。
摘要: Query-based universal sound separation is fundamental to intelligent auditory systems, aiming to isolate specific sources from mixtures. Despite recent advances, existing methods continue to suffer from residual interference in complex acoustic scenes. This performance limitation stems largely from a data bottleneck: in-the-wild datasets contain weak labels and severe co-occurrence of events. These flaws induce models to learn spurious correlations between background noise and target categories instead of robust acoustic features. To address this, we propose an automated pipeline that eliminates co-occurrence of events by mining high-purity single-event segments from in-the-wild datasets via a semantically consistent synthesis protocol. Utilizing this pipeline, we constructed Hive, a high-quality synthetic dataset comprising 2.4k hours of raw audio. Experimental results demonstrate that, compared with the state-of-the-art model SAM-Audio which was trained on a huge dataset $\sim$500 times larger than Hive, certain open-source models trained on Hive achieve competitive separation accuracy and perceptual quality. Moreover, these models exhibited remarkable zero-shot generalization on out-of-distribution evaluation benchmarks. These findings highlight that prioritizing purity of supervised signals enables significant data efficiency, offering a new paradigm for training robust auditory foundation models with reduced computational costs. Code and dataset are available at https://shandaai.github.io/Hive.
评论: 技术报告
主题: 声音 (cs.SD) ; 人机交互 (cs.HC)
引用方式: arXiv:2601.22599 [cs.SD]
  (或者 arXiv:2601.22599v1 [cs.SD] 对于此版本)
  https://doi.org/10.48550/arXiv.2601.22599
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Kai Li [查看电子邮件]
[v1] 星期五, 2026 年 1 月 30 日 05:43:57 UTC (7,233 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
查看许可
当前浏览上下文:
cs.SD
< 上一篇   |   下一篇 >
新的 | 最近的 | 2026-01
切换浏览方式为:
cs
cs.HC

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号