《NEURAL NOISE EMBEDDING FOR END-TO-END SPEECHENHANCEMENT WITH CONDITIONAL LAYER NORMALIZATION》论文阅读

研究动机

       大多数的语音增强方法都是考虑了带噪语音和纯净语音之间的关系，但是没有考虑到噪声。为了处理很多种噪声场景，本文引入了一种·新的噪声结构，将噪声的高维特征用于到自动微分编码器。在这篇文章中，加入了一个CLN的归一化层来处理噪声，提高模型的泛化性能。

INTRODUCTION

       因为很多增强方法只考虑从带噪语音中评估纯净语音。但是，很多的噪声类型不匹配问题会出现，为了解决这个问题，就把噪声的高维特征当作一个额外的条件送入到网络里面。

      这篇论文中，作者们提出了一个新的条件归一化方法，在时域上进行处理。带噪的音频送入到一个噪声估计忘了中提取到噪声的高维特征，之后将高维特征进行降维，送到增强网络里面。

     提出的方法中，整个结构是由噪声估计网络、CNN网络，一个增强网络，增强网络包含了输入层，编码器，解码器和输出层。

     把噪声网络估计到的噪声高维特征进行降维后，送入到CLN层，CLN是由线性层和归一化操作组成。

下面是噪声估计网络和降维的网络：

数据准备

       用的是TIMIT数据集，训练集、验证集和测试集分别是1000，200，100句。噪声数据集来源于NOISE-92和一个非语音的数据集作为训练的噪声。信噪比分别是-5，10，1分贝。每一条语句用三种信噪比和4种噪声类型混合。测试的时候是分看得见和看不见的情况。

时域是2048个采样点，1024个窗移。用到的SM损失采样点是512，256是窗移。

实验结果

       实验结果包含看得见和看不见两种情况：

总结

       这篇文章比较新颖的地方是考虑到了噪声，把噪声当作一种条件来进行处理，可以处理多种噪声场景。但是在输入到增强网络中只用到了噪声的高维特征表示，没有用到最终的噪声估计结果。