深度噪声抑制模型的性能优化
音频与语音处理
2021-10-12 v1 机器学习
声音
摘要
我们研究幅度结构化剪枝作为一种架构搜索以加速深度噪声抑制（DNS）模型推理时间的作用。虽然深度学习方法在提升音频质量上极为成功，但其增加的复杂度阻碍了在实时应用中的部署。我们相较基线实现了高达 7.25 倍的推理加速，且模型性能平滑退化。消融实验表明，我们提出的网络重参数化（即每层尺寸）是加速的主要驱动因素，且幅度结构化剪枝的效果与直接训练小尺寸模型相当。我们报告推理速度，因为参数减少并不必然带来加速，并使用准确非侵入式客观语音质量指标衡量模型质量。
引用
@article{arxiv.2110.04378,
title = {Performance optimizations on deep noise suppression models},
author = {Jerry Chee and Sebastian Braun and Vishak Gopal and Ross Cutler},
journal= {arXiv preprint arXiv:2110.04378},
year = {2021}
}