Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Stylus: Repurposing Stable Diffusion for Training-Free Music Style Transfer on Mel-Spectrograms

Created by
  • Haebom

저자

Heehwan Wang, Joonwoo Kwon, Sooyoung Kim, Jungwoo Seo, Shinjae Yoo, Yuewei Lin, Jiook Cha

개요

본 논문은 사전 훈련된 Stable Diffusion 모델을 활용하여 멜 스펙트로그램 영역에서 음악 스타일 전이를 수행하는 훈련이 필요 없는 프레임워크인 Stylus를 제시합니다. Stylus는 소스의 쿼리를 유지하여 음악 구조를 보존하면서 스타일 키-밸류 특징을 주입하여 자기 주의 메커니즘을 조작합니다. 그리핀-림 재구성으로 인한 인공물을 피하기 위해 위상 보존 재구성 전략을 도입하고, 조정 가능한 스타일화 및 다중 스타일 혼합을 위해 분류기 없는 안내(classifier-free-guidance)에서 영감을 받은 제어 방식을 채택합니다. 실험 결과, Stylus는 추가 훈련 없이 기존 최첨단 기법보다 콘텐츠 보존율을 34.1%, 지각 품질을 25.7% 향상시켰습니다.

시사점, 한계점

•
시사점:
◦
사전 훈련된 모델을 활용하여 훈련 데이터 없이 음악 스타일 전이 가능.
◦
기존 방법 대비 향상된 콘텐츠 보존율 및 지각 품질 달성.
◦
위상 보존 재구성 전략 및 분류기 없는 안내 기반 제어를 통한 성능 향상.
◦
효율적인 음악 개인화 및 창작 도구 제공 가능성.
•
한계점:
◦
Stable Diffusion 모델 의존성으로 인한 제한.
◦
멜 스펙트로그램 기반으로, 음질 저하 가능성 존재.
◦
다양한 음악 장르에 대한 일반화 성능 평가 필요.
◦
실제 음악 작곡가의 주관적인 평가 추가 필요.
👍
Made with Slashpage