Improving Unsupervised Clean-to-Rendered Guitar Tone Transformation Using GANs and Integrated Unaligned Clean Data

近年来，越来越多的人对应用深度学习方法来模拟吉他放大器或效果器产生了兴趣。现有的方法主要基于有监督的方法，需要处理前和处理后音频的时间对齐数据对。然而，由于创建这些数据对涉及到复杂的过程，这种方法并不适用于大规模应用。最近，Wright等人的一项最新研究探索了利用非配对数据进行训练的潜力，采用了生成对抗网络（GAN）为基础的框架。本文通过使用更先进的GAN鉴别器和更多的非配对数据来扩展他们的工作。具体来说，我们借鉴了神经声码器的最新进展，采用了两组鉴别器，一组基于多尺度鉴别器（MSD），另一组基于多周期鉴别器（MPD），用于我们基于GAN的吉他放大器建模模型。此外，我们尝试将没有相应渲染音频的未处理音频信号添加到训练数据中，以查看GAN模型从非配对数据中获得的好处。我们的实验表明，这两个扩展对低增益和高增益吉他放大器的建模都有贡献。

论文尝试使用生成对抗网络（GAN）的方法，解决吉他放大器建模中数据对齐问题的挑战，以及利用非配对数据训练模型的问题。

论文使用了更高级的判别器，并使用更多的非配对数据进行训练，以解决吉他放大器建模中的数据对齐问题。同时，论文还探索了加入没有目标音调的未处理音频信号对模型的影响。

论文使用了多种实验设计，包括使用多个判别器、使用更多的非配对数据、加入未处理音频信号等。实验结果表明，这些扩展对低增益和高增益吉他放大器的建模都有贡献。

最近的相关研究包括Wright等人的工作，该工作探索了利用非配对数据进行训练的潜力，使用了GAN框架。