基于CGMM的EM算法精炼DNN掩码估计用于多通道降噪
音频与语音处理
2023-09-19 v1 声音
摘要
本文提出一种可进一步改善近期引入的深度神经网络（DNN）模型所得语音增强效果的方法。我们提出一种对单通道DNN所得时频掩码进行多通道精炼的方法，其由基于迭代复高斯混合模型（CGMM）的算法及最优空间滤波组成。我们在由三种近期深度学习模型即DCUnet、DCCRN与FullSubNet估计的时频掩码上验证所提方法。我们表明，采用所提掩码精炼流程的方法可提升估计掩码的准确度（以ROC曲线下面积（AUC）度量），并进而改善增强语音信号的整体语音质量（以PESQ提升度量），且该改善在全部三种DNN模型上均一致。
引用
@article{arxiv.2309.09630,
title = {Refining DNN-based Mask Estimation using CGMM-based EM Algorithm for Multi-channel Noise Reduction},
author = {Julitta Bartolewska and Stanisław Kacprzak and Konrad Kowalczyk},
journal= {arXiv preprint arXiv:2309.09630},
year = {2023}
}