基于生成对抗网络的单通道信号分离与去卷积
音频与语音处理
2019-12-10 v1 机器学习
声音
机器学习
摘要
单通道信号分离与去卷积旨在从单通道混合信号中分离并去卷积各个源信号，是一个具有挑战性的问题，因为混合滤波器无先验知识可用。个体源与混合滤波器均需被估计。此外，混合信号可能包含训练集中未出现过的非平稳噪声。我们提出一种合成-分解（S-D）方法来解决单通道分离与去卷积问题。在合成阶段，使用生成对抗网络（GAN）构建源的生成模型。在分解阶段，同时优化混合滤波器与源以最小化混合信号的重构误差。所提S-D方法在图像修复与补全中分别取得18.9 dB和15.4 dB的峰值信噪比（PSNR），优于基线卷积神经网络的15.3 dB和12.2 dB，并在源分离与去卷积中取得13.2 dB的PSNR，优于卷积非负矩阵分解（NMF）基线的10.1 dB。
引用
@article{arxiv.1906.07552,
title = {Single-Channel Signal Separation and Deconvolution with Generative Adversarial Networks},
author = {Qiuqiang Kong and Yong Xu and Wenwu Wang and Philip J. B. Jackson and Mark D. Plumbley},
journal= {arXiv preprint arXiv:1906.07552},
year = {2019}
}
备注
7 pages. Accepted by IJCAI 2019