基于DNN相位差估计的在线相位重建
声音
2022-11-16 v1 音频与语音处理
信号处理
摘要
本文提出一种使用因果深度神经网络（DNNs）的两阶段在线相位重建框架。相位重建是仅从对应幅度恢复短时傅里叶变换（STFT）系数相位的任务。然而，相位对波形偏移敏感，且即便使用DNN也难以从幅度估计。为克服该问题，我们提出使用DNN估计相邻时频单元间相位差。根据STFT相位与幅度的偏导数之间的理论关系，我们表明卷积神经网络适用于相位差估计。估计的相位差通过逐帧求解加权最小二乘问题用于重建相位。与现有的基于DNN的相位重建方法相比，所提框架是因果的且不需要任何迭代过程。实验表明，所提方法优于现有的在线方法及一种基于DNN的相位重建方法。
引用
@article{arxiv.2211.08246,
title = {Online Phase Reconstruction via DNN-based Phase Differences Estimation},
author = {Yoshiki Masuyama and Kohei Yatabe and Kento Nagatomo and Yasuhiro Oikawa},
journal= {arXiv preprint arXiv:2211.08246},
year = {2022}
}
备注
Accepted to IEEE/ACM Trans. Audio, Speech, and Language Processing