基于端到端深度学习的线性声学回声消除自适应控制
音频与语音处理
2023-06-06 v1
摘要
消除声学扬声器回声仍是实现舒适全双工免提语音通信的开放挑战之一。在许多现代信号增强接口中，该问题通过线性声学回声消除器解决，其从记录的多麦克风信号中减去扬声器回声估计。为获得精确的回声估计，回声消除器的参数（即滤波器系数）需要从观测到的扬声器和麦克风信号中快速且精确地估计。为此需要复杂的自适应控制，以应对便携式设备常面临的高功率双讲和快速时变声学环境。本文通过端到端深度学习解决该问题。具体地，我们建议由一个深度神经网络（DNN）推断最小均方频域自适应滤波器更新的步长。研究了两种不同的步长推断方法。一方面是宽带方法，使用单个 DNN 联合推断所有频带的步长；另一方面是窄带方法，每个频带利用独立的 DNN。对两种方法优劣的讨论引出了一种新颖的混合方法，其在仅需小型 DNN 架构的情况下展现出改进的回声消除性能。此外，我们研究了不同损失函数、信号特征向量和 DNN 输出层架构对回声消除性能的影响，从中获得了关于基于 DNN 的自适应控制算法总体设计与功能的有价值见解。
引用
@article{arxiv.2306.02450,
title = {End-To-End Deep Learning-based Adaptation Control for Linear Acoustic Echo Cancellation},
author = {Thomas Haubner and Andreas Brendel and Walter Kellermann},
journal= {arXiv preprint arXiv:2306.02450},
year = {2023}
}
备注
This article has been submitted to IEEE/ACM Transactions on Audio, Speech, and Language Processing