网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备( 三 )


文章图片

文章图片
帧的 Magnitude 做互相关(Cross-Correlation)可以增加帧间的信息 , 语音信号的谐波相比一些突发噪声具有更长的连续性 , 以此可以将一些突发噪声从语音信号中区分开 。
另外一个和
网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备
文章图片

文章图片
相似的特征是 Coherence , 公式如下 ,
网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备
文章图片

文章图片
网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备
文章图片

文章图片
可以看出 , Coherence 也可以突出信号中的谐波信息 , 不同之处在于它也是基于时域的相关性 , 而且增加了归一化处理 。
损失函数
Valin 在 [1] 中提出了一种损失函数 ,
网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备
文章图片

文章图片
其中
网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备
文章图片

文章图片
代表 Gain 值的 Ground Truth ,
网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备
文章图片

文章图片
代表估计出的 Gain 值 。
网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备
文章图片

文章图片
通过平方的 Error 值 , 在训练过程中不断调整模型收敛方向 , 并且通过四次方的 Error 值去加强微调能力 , 让收敛后的模型最终的损失能够进一步减小 。
在研究过程中研究发现 , 虽然
网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备
文章图片

文章图片
有着较好的调节能力 , 但是存在两个问题 。第一个问题是
网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备
文章图片

文章图片
容易陷入局部最小值 , 由于平方过后 Error 值偏小 , 导致很难逃出这个区间 。第二个问题是四次方的部分有时在实际信号中不好控制 , 在最终收敛时会因为C值过大而产生误差 。因此 , 该研究在
网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备
文章图片

文章图片
的基础上提出了
网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备
文章图片

文章图片

网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备
文章图片

文章图片

网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备
文章图片

文章图片
中 , 我们可以根据需要去调节
网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备
文章图片

文章图片
的大小 , 从而减小陷入局部最小值的概率 , 并且最大程度的减小收敛后的最终误差 。经过计算 ,
网易云信神经网络音频降噪算法:提升瞬态噪声抑制效果,适合移动端设备
文章图片

文章图片
的值从 0 增加的 5 的时候 , 最终 Loss 值达到最小 , 但是由于