PianoCoRe: Conjunto de Dados MIDI de Piano Combinado e Refinado

Resumo

Conjuntos de dados de música simbólica com partituras e performances correspondentes são essenciais para muitas tarefas de recuperação de informação musical (MIR). No entanto, os recursos existentes geralmente abrangem uma gama restrita de compositores, carecem de variedade de performances, omitem alinhamentos em nível de nota ou utilizam formatos de nomenclatura inconsistentes. Este trabalho apresenta o PianoCoRe, um conjunto de dados de MIDI para piano em larga escala que unifica e refina os principais corpora de piano de código aberto. O conjunto de dados contém 250.046 performances de 5.625 peças escritas por 483 compositores, totalizando 21.763 h de música executada. O PianoCoRe é lançado em subconjuntos escalonados para suportar diferentes aplicações: desde análise e pré-treinamento em larga escala (PianoCoRe-C e PianoCoRe-B sem duplicações) até modelagem de performance expressiva com alinhamento de partitura em nível de nota (PianoCoRe-A/A*). O subconjunto com notas alinhadas, PianoCoRe-A, fornece a maior coleção de código aberto até à data, com 157.207 performances alinhadas a 1.591 partituras. Além do conjunto de dados, as contribuições são: (1) um classificador de qualidade de MIDI para detetar transcrições corrompidas e semelhantes a partituras e (2) o RAScoP, um pipeline de refinamento de alinhamento que limpa erros de alinhamento temporal e interpola notas em falta. A análise mostra que o refinamento reduz o ruído temporal e elimina valores atípicos de andamento. Além disso, um modelo de renderização de performance expressiva treinado no PianoCoRe demonstra maior robustez a peças não vistas anteriormente em comparação com modelos treinados em conjuntos de dados brutos ou menores. O PianoCoRe fornece uma base pronta para uso para a próxima geração de pesquisa em performance expressiva para piano.

English

Symbolic music datasets with matched scores and performances are essential for many music information retrieval (MIR) tasks. Yet, existing resources often cover a narrow range of composers, lack performance variety, omit note-level alignments, or use inconsistent naming formats. This work presents PianoCoRe, a large-scale piano MIDI dataset that unifies and refines major open-source piano corpora. The dataset contains 250,046 performances of 5,625 pieces written by 483 composers, totaling 21,763 h of performed music. PianoCoRe is released in tiered subsets to support different applications: from large-scale analysis and pre-training (PianoCoRe-C and deduplicated PianoCoRe-B) to expressive performance modeling with note-level score alignment (PianoCoRe-A/A*). The note-aligned subset, PianoCoRe-A, provides the largest open-source collection of 157,207 performances aligned to 1,591 scores to date. In addition to the dataset, the contributions are: (1) a MIDI quality classifier for detecting corrupted and score-like transcriptions and (2) RAScoP, an alignment refinement pipeline that cleans temporal alignment errors and interpolates missing notes. The analysis shows that the refinement reduces temporal noise and eliminates tempo outliers. Moreover, an expressive performance rendering model trained on PianoCoRe demonstrates improved robustness to unseen pieces compared to models trained on raw or smaller datasets. PianoCoRe provides a ready-to-use foundation for the next generation of expressive piano performance research.