Independent low-rank matrix analysis based on the Sinkhorn divergence source model for blind source separation

这篇文章介绍了一种改进的独立低秩矩阵分析（ILRMA）算法，它考虑了不同频段之间的谱系数依赖性，以提高音频和语音信号的确定性盲源分离（BSS）性能。该方法假设不同频段的光谱是独立的，任何频段中的光谱系数都服从高斯分布。然后使用Itakura-Saito差异来估计与源模型相关的参数。然而，在现实中，不同频段的光谱系数可能是相关的，这在现有的ILRMA算法中没有考虑。为了利用跨频段信息提高BSS性能，本文使用Sinkhorn差异来优化源模型参数。但是，需要估计的参数数量也显著增加，计算复杂度也随之增加。为了降低算法复杂度，文章使用Kronecker积将建模矩阵分解为许多维度更小的矩阵的乘积。然后开发出一种高效的算法来实现基于Sinkhorn差异的BSS算法，并将复杂度降低一个数量级。

论文旨在改进独立低秩矩阵分析（ILRMA）算法，以解决音频和语音信号的确定性盲源分离问题。现有的ILRMA算法假设不同频带的频谱是独立的，而且任何频带中的谱系数都是高斯分布的，但实际上不同频带的谱系数可能是相关的，这一点在现有的ILRMA算法中没有考虑。

改进的ILRMA算法考虑了不同频带之间的谱系数相关性，利用Sinkhorn距离优化源模型参数，从而提高了盲源分离的性能。为了降低算法复杂度，采用Kronecker乘积将建模矩阵分解为若干维数较小的矩阵的乘积。

论文的实验结果表明，与现有的ILRMA算法相比，改进的算法在盲源分离的性能上有所提高。此外，为了降低算法复杂度，论文提出了一种高效的实现Sinkhorn距离的BSS算法的方法，并将算法复杂度降低了一个数量级。论文使用了公开数据集，并开源了代码。

最近的相关研究包括：Sinkhorn自适应融合算法（SAFA）、多通道盲源分离（MCBSS）算法等。