SE论文笔记（一）——ICASSP 2019的两篇论文

AN ATTENTION-BASED NEURAL NETWORK APPROACH FOR SINGLE CHANNEL SPEECH ENHANCEMENT

本论文将Global Attention机制应用到语音增强问题中。

模型结构

这篇论文的整体结构如下：

这里的Attention就是使用的最基本的Global Attention，其中Encoder分为两种，Stacked和Expanded，实验证明Stacked结构效果更优。具体结构见下图，区别在于计算$h_t^Q$时是使用原始数据（经过tanh放缩）还是使用$h^K$作为LSTM的输入。后者之所以在大部分实验中效果更佳可能是使得$h_K,h_Q$具有更大的相关性，而计算Attention时使用了相似度作为衡量标准。

关于Generator，从图中看出使用了Global Attention后的特征和$x_t,h^Q$作为输入，从论文中看是先将$c^t,h^Q$拼接后经过$全连接\to tanh\to 全连接\to sigmoid\Rightarrow mask$后和$x_t$做点积，使用的是语音增强的常用思路生成hidden-mask屏蔽噪声。

实验结果

这篇论文的作者自己使用Musan数据集中的噪声和自己的24.5h数据集合成了新的带噪声数据集，使用没经过Attention的LSTM作为baseline。

整体感觉很平淡，没什么创新。实际上我还查到了有一篇使用Transformer的文章投给了ICASSP2020，不知道能不能中。难道这个领域真的刚刚引入Attention？不过显然self-Attention的结构更复杂，参数也多得多，如果效果不好才说不过去。

DENSELY CONNECTED NETWORK WITH TIME-FREQUENCY DILATED CONVOLUTION FOR SPEECH ENHANCEMENT

本论文将DenseNet网络结构应用到了语音增强问题中。

模型结构

DenseNet即将在一个block中，每个Layer的输出都发送给后续Layer作为输入，这样可以有效保证原始特征不会随着网络层数加深逐渐消失。DenseNet一般由多个block构成，且每层网络主体都是卷积神经网络。本论文使用的网络结构如下图：

作者使用了两个Dense Block，Block中没有用DenseNet中的卷积+BN+ReLU的结构，而是创造了T-F dilated convolutional block结构直译就是(在)时间和频率(上)扩张(的)卷积块。作者认为直接使用卷积会由于CNN“limited respective fields”的原因无法获取语音的长期时间依赖，如果想要提升效果需要叠加许多层网络，效率太低，而且会导致梯度消失。

论文中每个Dense Block中有六个"T-F dilated convolution block"，结构如下图：

网络的输入为T帧时间邻域的频谱，每个T-F block的输入经过ExtensionBlock(一层特殊T-F block)升到256channel。和名称一致，首先在频率维度上卷积，第一层降维，第二层提取频域特征，之后经过转置后在时域进行卷积，最后一层1*1升维使得Block间传递数据格式一致。

经过两个DenseBlock后，数据还需要经过一层TransitionBlock(时域卷积降维)，最后一层频域卷积降维+全连接层输出一帧数据。

实验结果

本论文使用TIMIT数据集验证效果，从PESQ和STOI分数来看和C-RNN在噪声匹配条件下效果相当，而在噪声不匹配时表现更优越，具有更好的泛化能力。