潜空间中的端到端历史音乐修复

arXiv:2610.00607v1 公告类型：cross 摘要：历史音乐修复（HMR）几乎一直专注于 Super-Resolution 或独奏作品修复等受限问题，而对修复包含多种乐器的管弦乐历史音乐这一一般性任务探索不足。造成这一探索不足的主要原因在于，HMR 领域所涉及的20世纪初录音没有退化前的真实配对数据，使得修复任务必须以无监督方式进行，也更具挑战性。本文通过探索合成退化函数和端到端生成式深度学习修复方法，提出了一个有监督的端到端管弦乐 HMR 基准。我们比以往工作更忠实地模拟了历史录音的退化链条，从而将管弦乐修复转变为一个可处理的有监督问题。在由这些合成配对数据训练得到的潜流匹配模型，在侵入式、非侵入式和主观评估中均优于现有 HMR 基线。我们还整理并发布了一个时长为9.3小时、无许可证限制、非配对的历史古典音乐测试集，以及相关代码和音频演示。