基于(加权)分析社交稀疏性的音频去削波
音频与语音处理
2023-03-08 v2 声音
摘要
我们发展了 Siedenburg 等人(2014)所提出的流行音频去削波算法的分析(共稀疏)变体。此外,我们通过为时频系数加权的可能性扩展了旧变体与新变体。我们考察了若干权重与收缩算子组合下的音频重建性能。结果表明,权重在某些情况下可改善重建质量;然而,非加权方法所取得的最佳分数并未被加权方法超越。不过,分析型经验维纳(Empirical Wiener, EW)收缩能够达到计算代价更高的竞争者——持久经验维纳(Persistent Empirical Wiener, PEW)的质量。此外,所提出的结合 PEW 的分析变体在听觉驱动指标上略优于其合成对应方法。
引用
@article{arxiv.2205.10215,
title = {Audio Declipping with (Weighted) Analysis Social Sparsity},
author = {Pavel Záviška and Pavel Rajmic},
journal= {arXiv preprint arXiv:2205.10215},
year = {2023}
}