跟郎朗媳妇有得一拼的AI，只看弹琴动作，完美复现原声 | CVPR 2020
华人小哥一作
金磊 发自 凹非寺
量子位 报道 | 公众号 QbitAI
见识过「听歌识曲」，体验过看弹奏动作识曲吗？
就像最近的一档综艺节目中，郎朗比划了几个弹钢琴的动作，他媳妇(吉娜·爱丽丝)秒答：《柴可夫斯基第一协奏曲》！
来自华盛顿大学的研究团队提出了一种新方法Audeo，就解锁如此神奇的操作——仅仅根据钢琴师弹奏时的动作，就能直接复现原声音乐。
先来体验下这种神奇的感觉。
下面便是钢琴师演奏时的动图，我们能看到的，仅仅就是手指在钢琴键盘上的变换。
然后，你知道这是哪首曲子吗？
大部分人（或许郎朗级别的大神们可以）应该是猜不到的。
但AI可以，下面便是这项技术复现的原声音乐。
那么，这般神奇的操作是怎么实现的呢？
三步实现「看动作识音乐」
简单来说，Audeo方法主要包括三大步骤，分别是：
- 钢琴按键检测
- 生成乐谱内容
- 合成音乐
钢琴按键检测
这个步骤可以理解为一个多标签（multi一label ）分类问题。
输入是弹钢琴视频中5个连续的帧，将它们输入到Video2Roll Net中，经过ResNet18、特征变换、特征细化（refinement）和相关学习的处理，最后输出中间帧的按键预测。
值得注意的是，在这个步骤中，研究人员没有直接使用ResNet18，而是在此基础上做了算法改良，提出了Video2Roll Net。
这样做的原因很简单，就是ResNet18检测到的「精度」不够细致，下面2张热力图的对比，便一目了然地展示了2种方法的效果。
生成乐谱内容
在第二个步骤中，就需要将 Roll 转换为 Midi（乐器数字接口），以便合成音乐。
但在上步生成出来的 roll ，没办法直接转换成 Midi，一个至关重要的原因就是—— Roll 不包含时间信息。
此外，由于 Midi 比较依赖音频流，所以经常出现的一个现象就是：演奏者按一个钢琴键的时间较长时，相应频率的幅度会逐渐衰减为零，也就是在 Midi 中会被标记为零。
像下面这张图中显示的那样，就会造成不匹配的现象。
并且，研究人员表示：
这种不匹配的现象，是经常发生的。
于是，研究人员便提出了一个叫 Roll2Midi Net的方法解决了这个问题。
主要是在二者之间加入了一个生成对抗网络（GAN），来调节并解决上述问题。
合成音乐
最后一步，就是根据调节好的 Midi 来生成音乐，主要过程如下图所示。
将 Midi 作为输入，经过一个上采样，而后可以选择通过「Midi 合成器软件」，也可以选择使用「PerfNet+Unet+GriffinLim」的组合方式来生成音乐。
至于 Audeo 方法与其它方法的定量比较，主要集中在第二个核心步骤。
可以明显看到，研究人员在第二步骤中提出来的 Roll2Midi Net方法，在各项评测指标中，都具有一定优势。
合成音乐还可以转换成别的乐器
当然，Audeo 除了精准复现视频中的钢琴音乐外，还有一个更有意思的玩法。
它可以将钢琴原声，转换成其他乐器的声音。
例如，可以将钢琴音乐转换成吉他的声音。
还可以将钢琴音乐转换成日本十三弦古筝的声音。
这个有趣的玩法，主要得益于「合成音乐」这个步骤，选择的方法不同，得到的结果便不同。
研究团队
这项研究由华盛顿大学的三位研究人员共同完成，研究还入围了本届CVPR。
△从左至右：Kun Su、Xiulong Liu和Eli Shlizerman
论文一作是Kun Su，本科就读于美国纽约州伦斯勒理工大学（RPI），目前在华盛顿大学攻读电子与计算机工程系攻读硕士。
△Kun Su
研究的另一位作者是Xiulong Liu，本科在上交大就读，硕士毕业于华盛顿大学，目前在OneClick.ai 担任数据科学家。
△Xiulong Liu
论文最后一位作者是Eli Shlizerman，华盛顿大学应用数学及电子与计算机工程助理教授。
目前专攻生物神经网络和人工神经网络的基本特性，通过结合时空数据分析、机器学习和动力系统理论的方法将这两个系统联系起来。
△Eli Shlizerman
那么问题来了，如果以郎朗的手速弹奏钢琴，这个AI的效果还会如此惊艳吗？
传送门：
论文地址：
https://arxiv.org/abs/2006.14348
- 豆包升级了“眼睛”，看APP截图就能写代码了！超低价让多模态AI普惠2024-12-19
- 云计算一哥的生成式AI之道：Choice Matters2024-12-18
- 这届AI创业：不敲一行代码，营收突破百万级2024-12-20
- 挑战高考数学完胜！商汤日日新多模态大模型权威评测第一2024-12-19
相关阅读
