将基于DNN的乘法掩蔽扩展为深度子带滤波以改进去混响

在本文中，我们提出了一种将基于深度神经网络（DNN）的乘法掩蔽器扩展为深度子带滤波器以便在时频域中进行语音恢复的 scheme。所得方法可通用地应用于任何在时频域提供掩蔽的深度学习网络，同时仅需极少的可训练参数，且对于最先进的神经网络而言计算开销可忽略不计。我们证明所得深度子带滤波方案在去混响方面优于乘法掩蔽，而在去噪性能上几乎保持不变。我们认为这是因为时频域中的深度子带滤波符合去混响文献中常假设的子带近似，而乘法掩蔽对应于通常用于去噪的窄带近似。