Pytorch搭建实虚部重建AI-GruNet降噪算法

     上几篇文章介绍了基于对数功率谱预测IRM、实现对幅度谱降噪的几种做法，本篇文章基于AI-GruNet通过复数比例掩码，实现对幅度谱和相位谱的整体的降噪重建。

AI-GruNet降噪算法

AI-CGNet降噪算法

AI-FGNet降噪算法

---

一、模型结构

使用AI-GruNet模型结构。

特征方面，使用实虚部拼接作为特征。

网络方面，先进行归一化，然后使用两层GRU层，实现对时间序列历史信息建模，dropout防止过拟合。然后先经过两层隐层全连接， 最后通过两层全连接分别预测实部和虚部的增益掩码。

前向代码如下：

最后估计的mask作用到实部和虚部，达到降噪。其中M代表预测掩码，Y为带噪实部虚部，S为估计的干净谱。

相比IRM对带噪幅度谱的处理，CRM通过对实部虚部的掩码处理，进而实现对幅度谱和相位谱整体的降噪重建。

二、训练目标

使用cRM作为训练目标。

三、测试数据和处理结果

风噪测试效果，降噪达35db：

grunet_crm_fan_orig.wav,算法晓记,10秒 #测试音频2个内容

grunet_crm_fan_nsout.wav,算法晓记,10秒 #测试音频2个内容

无法张贴测试音频，更多测试音频和下载链接，见微信公众号“算法晓记”。

四、代码

包括训练代码和工程代码，后续考虑公开。