적대적 페어 언믹스‑앤‑리믹스를 이용한 무감독 단일채널 블라인드 소스 분리

본 논문은 단일채널 블라인드 소스 분리(BSS) 문제를 무감독 방식으로 해결하기 위해 “Adversarial Pair Unmix‑and‑Remix”(APUR)라는 새로운 프레임워크를 제안한다. 기존 BSS 방법들은 저‑랭크, 스파시티, 시간 연속성 등 강력한 선험적 프라이어를 필요로 했으며, 최근에는 깨끗한 소스 데이터를 이용한 지도 학습 기반 딥러닝이 성능을 크게 끌어올렸다. 그러나 완전 무감독 상황, 즉 어떤 소스의 클린 샘플도 없는 경우에는 여전히 성능이 제한적이었다. APUR은 두 개의 혼합 신호 y₁, y₂를 임의로 선택하고, 동일한 마스크 함수 M(y) (신경망으로 파라미터화)를 통해 각각 추정 소스 fₓ₁ = y₁·M(y₁), b₁ = y₁·(1‑M(y₁))와 fₓ₂, b₂를 만든다. 여기서 마스크는 곱셈 형태이므로 원본 신호와 같은 차원에서 직접 작동한다. 이후 두 신호의 소스를 교차 결합해 새로운 혼합 신호 z₁ = fₓ₁ + b₂, z₂ = fₓ₂ + b₁을 만든다. 이때 원본 혼합 신호와 새로운 혼합 신호는 동일한 확률 분포를 가져야 한다는 가정을 두고, LS‑GAN 기반 판별자 D를 도입해 두 분포를 매칭한다. 판별자 D는 실제 혼합 신호 y와 합성 혼합 신호 z를 구분하도록 학습되며, 마스크 M은 D를 속여 z가 y와 구분되지 않도록 역전파한다. 이 과정만으로는 “전체를 그대로 복원하고 한 소스를 0으로 만드는” 트리비얼 해가 존재한다. 이를 방지하기 위해 에너지 균형 손실 L_E = Σ_y