Сжатие амплитуды в спектральных потерях DDSP: когда логарифм мешает оценке параметров

Логарифм модуля спектра часто включают в потери дифференцируемой обработки звука как заведомо полезное приближение к слуху. Эта работа показывает, что при восстановлении физических параметров такое решение может мешать: тихие спектральные компоненты не всегда несут нужную информацию. Важен не только динамический диапазон, но и то, в какой его части проявляются изменения параметров конкретной модели.

Метод. Авторы сравнивают линейную, логарифмическую и смешанную спектральные потери для трёх систем: модального пластинчатого ревербератора, двухосцилляторного субтрактивного синтезатора и синтезатора с экспоненциальным ревербератором. Варианты начинают с одного состояния после предварительного обучения на известных параметрах и различаются только весами спектральных составляющих. До обучения предлагается измерять concordance: как часто потеря правильно упорядочивает два близких варианта по расстоянию до истинных параметров. Проверка использует 100 целевых состояний и по 32 кандидата вокруг каждого.

Результаты. Для пластинчатой модели линейная потеря уменьшает MFCC-расстояние на синтетических сигналах до 7,88 против 8,76 у логарифмической; на 12 измеренных откликах EMT 140 получены 13,92 против 19,01. Для синтезатора реальные записи дают 11,45 против 14,01. В прослушивании по 12 примерам шесть из семи слушателей предпочитают линейный вариант в обоих экспериментах; парная разность оценок составляет +15,7 и +6,9 балла. При этом для экспоненциальной реверберации направление меняется: логарифмическая потеря лучше. Дообучительная concordance правильно предсказывает знак различия во всех трёх системах.

Ограничения. Исследованы три небольшие параметрические модели и только крайние варианты сжатия, без поиска промежуточных степеней. Основная частота субтрактивного синтезатора задана извне. Реальные записи специально подобраны так, чтобы модель могла их приближать; произвольные сложные помещения и речь здесь не проверяются. Семь слушателей дают ограниченную статистическую мощность, а превосходство линейной потери над смешанной по слуху не установлено.

Фишка из статьи. Сумма двух разумных составляющих может оказаться хуже каждой по отдельности. В таблице 3 приведена медианная нормированная среднеквадратичная ошибка параметров на синтетических целях; меньше лучше.

Как это читать: смешанная потеря не обязана давать промежуточный результат, потому что изменяет траекторию оптимизации. В третьей системе она хуже линейной более чем вдвое и логарифмической почти впятеро. Практический вывод не в отказе от логарифма, а в проверке информативного диапазона модели и обязательном сравнении с вариантом без сжатия.

Источник. Оригинальное название: Rethinking Magnitude Compression in Spectral Losses for DDSP Parameter Estimation. arXiv:2610.22962; полный текст PDF.