<div class="blogpost-body" id="cnblogs_post_body" style="font-size: 16px;">
<p>博客作者：凌逆战</p>
<p>论文地址：<a href="https://ieeexplore.ieee.org/document/8682215" rel="noopener noreferrer" target="_blank">基于GAN的音频超分辨率</a></p>
<p>博客地址：<a href="https://www.cnblogs.com/LXP-Never/p/10874993.html" id="Editor_Edit_hlEntryLink" rel="noopener noreferrer" target="_blank" title="view: Speech Super Resolution Generative Adversarial Network">https://www.cnblogs.com/LXP-Never/p/10874993.html</a></p>
<hr>
<p> 论文作者：Sefik Emre Eskimez , Kazuhito Koishida</p>
<h1><span style="font-weight: bold;">摘要</span></h1>
<p><span class="tgt highlight"> 语音超分辨率(SSR)或语音带宽扩展的目标是由给定的低分辨率语音信号生成缺失的高频分量。<span class="tgt">它有提高电信质量的潜力。<span class="tgt">我们提出了一种新的SSR方法，该方法利用生成对抗网络(GANs)和正则化(regularization)方法来稳定GAN训练。生成器<span class="tgt">网络是有一维卷积核的卷积自编码器，沿时间轴运行，输入低频对数功率谱产生高频对数功率谱。<span class="tgt">我们使用两种最新的基于深度神经网络(DNN)的方法与我们提出的方法进行比较，包括客观的语音质量度量和主观的感知测试。<span class="tgt">结果表明，该方法在客观评价和主观评价方面均优于基线方法。</span></span></span></span></span></span></p>
<p><span class="tgt highlight"><span class="tgt"><span class="tgt"><span class="tgt"><span class="tgt"><span class="tgt">关键字：生成对抗性网络，语音超分辨率，人工语音带宽扩展</span></span></span></span></span></span></p>
<h1><span class="tgt highlight" style="font-weight: bold;"><span class="tgt" style="font-weight: bold;"><span class="tgt" style="font-weight: bold;"><span class="tgt" style="font-weight: bold;"><span class="tgt" style="font-weight: bold;"><span class="tgt" style="font-weight: bold;">1、引言</span></span></span></span></span></span></h1>
<p><span class="tgt highlight"><span class="tgt"><span class="tgt"><span class="tgt"><span class="tgt"><span class="tgt"><span class="tgt"> 语音增强是语音处理领域研究的热点问题之一。<span class="tgt">语音增强的主要目的是提高输入语音信号的质量和可懂度。<span class="tgt highlight">大部分的工作在这一领域关注消除背景噪音或混响,其中一些关注生成丢失的高频内容增加语音信号的分辨率,也就是文献中说的人工语音带宽扩展或语音超分辨率(SSR)。<span class="tgt">在本文的剩下部分中，我们将这个问题称为SSR。</span></span></span></span></span></span></span></span></span></span></p>
<p><span class="tgt highlight"><span class="tgt"><span class="tgt"><span class="tgt"><span class="tgt"><span class="tgt"><span class="tgt"><span class="tgt"><span class="tgt highlight"><span class="tgt"><span class="tgt"> SSR在许多实际场景中都有应用，并具有改善人们生活质量的潜力。<span class="tgt highlight">一个典型的例子是公共交换电话网(PSTN)，它的带宽仍然被限制在一个窄带(300-3400 Hz)。<span class="tgt">在的研究中[1]表明，与窄带相比，用户更喜欢高分辨率的语音信号。<span class="tgt">Kepler等人指出[2]，窄带语音对听力受损人群在通过电话交流时具有困难性。<span class="tgt">在另一项研究中，Liu等人的表明[3]，认为的将分辨率从窄带提高到宽带(高达8 kHz)，可以提高人工耳蜗使用者的语音识别率。</span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></p>
<p><span class="tgt highlight"><span class="tgt"><span class="tgt"><span class="tgt"><span class="tgt"><span class="tgt"><span class="tgt"><span class="tgt"><span class="tgt highlight"><span class="tgt"><span class="tgt"><span class="tgt highlight"><span class="tgt"><span class="tgt"><span class="tgt"> <span class="tgt">本文介绍了一种采用<strong>对抗性训练</strong>的语音超分辨神经网络和一种<strong>正则化方法</strong>来稳定对抗性训练。<span class="tgt">我们的灵感来自于对单个图像和视频超分辨率的对抗性训练的成功。<span class="tgt"><strong>该生成器是一个以对数功率谱图(LPS)为输入，生成相应范围高频LPS的序列到序列卷积自编码器网络</strong>。<span class="tgt">这项工作是第一作者在微软研究院实习时完成的。<span class="tgt">卷积层中的滤波器是一维的，它们沿谱图的时间轴运行。<span class="tgt"><strong>采用一维核函数，降低了训练和推理的计算复杂度</strong>。<span class="tgt">该系统重量轻，在移动设备和消费者级cpu上具有实时处理能力。<span class="tgt">训练过程如下：首先，我们在几个epoch(周期)内仅仅训练reconstruction(重构)损失来初始化生成器网络。</span></span></span></span></span></span></span></span></span></span></span></span></span></sp |
|
转播
