A Convolutional Recurrent Neural Network for Real-Time SpeechEnhancement

已于 2022-01-27 17:49:13 修改
阅读量1.4k 收藏 1
点赞数
分类专栏： PaperSummary 文章标签： 深度学习 lstm 人工智能
于 2022-01-27 17:23:53 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_48994423/article/details/122721024
版权

[Interspeech 2018 ]CRN

Motivation

现实生活中许多语音增强的应用都需要实时处理，最好没有延迟或者低延迟，而目前的LSTM模型适用于未训练的说话人，而GRN在每个时间帧需要大量的未来信息来做mask估计或者谱映射，因此不能被使用在实时语音增强上。受最近CRN工作上的启发，作者提出了一个新的关于噪声和说话人无关的实时语音增强系统CRN架构，CRN结合了CED和LSTM。所提出的系统比LSTM有更好的客观语音可懂度和质量，而且，CRN训练参数更少。

Method

最低0.47元/天 解锁文章
路飞快来找我
关注
专栏目录
A Convolutional Recurrent Neural Network for Real-Time Speech Enhancement（2018）
afanti_1的博客
05-28 1035
一种用于实时语音增强的卷积递归神经网络（2018）
A Convolutional Recurrent Neural Network for Real-Time Speech Enhancement
weixin_44223902的博客
11-14 1662
A Convolutional Recurrent Neural Network for Real-Time Speech Enhancement 文章：A Convolutional Recurrent Neural Network for Real-Time Speech Enhancement 作者：Ke Tan, DeLiang Wang github: ABSTRACT 现实生活中许多语音增强的应用都需要实时处理，没有或者低延迟，例如助听器和人工耳蜗。本文提出了CRN解决单通道语音增强。我们把CE
Casual decoder 和prefix decoder 区别
一休
07-09 372
而在输出部分，Prefix Decoder则采用单向注意力，即待生成的token可以看到Encoder侧所有token（包括上下文）和Decoder侧已经生成的token，但不能看未来尚未产生的token。这种模型架构允许模型在生成文本时同时考虑前缀信息和单向生成的特性，适用于需要同时理解上下文和生成文本的任务，如条件文本生成12。Causal Decoder是一种自回归模型，它在生成文本时只能依赖于已经生成的输出，即每个token的生成只能依赖于它之前的token，而不能利用未来的token信息。
A Convolutional Recurrent Neural Network for Real-Time Speech Enhancement---论文翻译
caixiaobaideye的博客
07-15 1048
用于实时语音增强的卷积递归神经网络 作者：Ke Tan1, DeLiang Wang1,2 1Department of Computer Science and Engineering, The Ohio State University, USA 2Center for Cognitive and Brain Sciences, The Ohio State University, USA 摘要 许多现实世界中的语音增强应用，如助听器和人工耳蜗，都需要实时处理，没有延迟或低延迟。在本文中，我们提出了一种
【语音增强论文解读 01】 A Convolutional Recurrent Neural Network for Real-Time SpeechEnhancement
qq_41893773的博客
03-30 2929
作者：Ke Tan, DeLiang Wang 文末附文章地址与开源代码地址 1. 动机 语音增强的许多实际应用，如助听器和人工耳蜗都需要无延迟或低延迟的实时处理、 2. 方法 受CRN工作的启发，开发了一种全新的CRN架构，用于实时进行与噪声和说话者无关的语音增强。CRN 结合了因果卷积Encoder-Decoder和LSTM。在实时处理中，语音增强框架不能利用未来帧的语音，所以采用了因果卷积的Encoder-Decoder。使用LSTM的主要目的是处理噪声泛化和说话人泛化。 3. 网络架构
论文翻译：2018_CRN_A Convolutional Recurrent Neural Network for Real-Time Speech Enhancement
凌逆战的博客
12-08 859
论文地址：用于实时语音增强的卷积递归神经网络 代码地址：https://github.com/JupiterEthan/CRN-causal 作者主页：https://jupiterethan.github.io/ 引用格式：Tan K, Wang D L. A Convolutional Recurrent Neural Network for Real-Time Speech Enhanc...
WaveCRN: An Efficient Convolutional RecurrentNeural Network for End-to-end SpeechEnhancement
weixin_48994423的博客
01-26 3771
Motivation 1、在建模时应该有效地考虑语音的局部性和时间序列特性。目前大多数端对端的语音增强模型要不然没有充分考虑语音的局部性和时间序列特性，要不然过于复杂难以实现，因此提出了一个有效的端对端语音增强模型，称WaveCRN。WaveCRN使用CNN模块和堆叠简单递归单元(SRU)模块来捕获语音位置特征，并对位置特征的时序特性进行建模。与传统的递归神经网络和LSTM不同，SRU在计算中可以高效并行化，模型参数更少。 2、为了更有效地抑制带噪语音中的噪声成分，提出了一种新的受限特征掩蔽方法（RMF
【语音增强论文解读05】FULLY CONVOLUTIONAL RECURRENT NETWORKS FOR SPEECH ENHANCEMENT
qq_41893773的博客
04-13 2694
作者：Maximilian Strake Bruno Defraene Kristoff Fluyt Wouter Tirry Tim Fingscheidt 1. 动机 在CRN中通过在卷积编码器和解码器之间集成了LSTM，在这样的结构中，对于完全连接的LSTM，必须放弃特征映射中内部表示的组织和对卷积映射的局部结构的关注。由于LSTM输入的特征空间维度，CRN可能会受到限制。 2. 方法 使用卷积的LSTM代替CRN中完全连接的LSTM，由此产生的网络称为FCRN...
Towards End-to-end Text Spotting with Convolutional Recurrent Neural Networks
qq_27009517的博客
10-12 1543
文章目录Abstract1. Introduction2. Related Work2.1. Text Detection2.2. Text Recognition2.3. Text Spotting Systems3. Model3.1. Overall Architecture3.2. Text Proposal Network3.3. Region Feature Encoder3.4. T...
Graph Convolutional Neural Networks for Web-Scale Recommender Systems（用于Web级推荐系统的图形卷积神经网络）
weixin_41697507的博客
07-07 4140
Graph Convolutional Neural Networks for Web-Scale Recommender Systems 用于Web级推荐系统的图形卷积神经网络 ABSTRACT Recent advancements in deep neural networks for graph-structured data have led to state-of-the-art pe...
GTCRN：轻量级语音增强模型实战指南
最新发布
gitblog_00478的博客
08-25 657
GTCRN：轻量级语音增强模型实战指南 gtcrnThe official implementation of GTCRN, an ultra-lite speech enhancement model.项目地址:https://gitcode.com/gh_mirrors/gt/gtcrn 项目介绍 GTCRN（Grouped Temporal Convolutional Recurrent ...
【文献学习】DCCRN: Deep Complex Convolution Recurrent Network for Phase-Aware Speech Enhancement
BetterBench的博客
01-30 4333
目录1 简介和创新点2 理论综述2 模型2.1 系统模型2.2 选择训练集的Label(Target)2.3 损失函数3 模型参数3.1 统一参数3.2 对比实验参数4 实验分析5 疑问和思考 文献地址 Pytorch实现的源码 1 简介和创新点 在语音增强领域，改进CRN中的技术，设计了一种复数值操作的新网络结构，使用复数技术下的LSTM去处理上下文信息，称为深度复数卷积递归网络（DCCRN） 本文主要针对基于DL的单通道语音增强，以实现更好的感知质量和清晰度，尤其是针对低模型复杂度的实时处理。 参数复杂
论文研究15：TCNN for speech enhancement
qq_43473149的博客
12-23 899
论文研究13：TCNN: TEMPORAL CONVOLUTIONAL NEURAL NETWORK FOR REAL-TIME SPEECH ENHANCEMENT IN THE TIME DOMAIN abstract 这项工作提出了一种用于时域实时语音增强的全卷积神经网络（CNN）。 提出的CNN是基于编码器-解码器的体系结构，在编码器和解码器之间插入了一个附加的时间卷积模块（TCM）。 我们将此架构称为时间卷积神经网络（TCNN）。 TCNN中的编码器创建一个嘈杂的输入帧的低维表示。 TCM使用因果
TCNN: TEMPORAL CONVOLUTIONAL NEURAL NETWORK FOR REAL-TIME SPEECHENHANCEMENT IN THE TIME DOMAIN
weixin_48994423的博客
02-13 1620
Motivation 目前研究者们开始在时域中探索深度神经网络的语音增强功能。有论文证明了全卷积神经网络对时域语音增强的有效性。也有论文训练了一种在时域中使用频域丢失的模型来提高增强语音的感知质量，但它并没有解决实时增强的问题。基于TCNN序列建模的成功实现，以及基于编码器-解码器的体系结构对时域语音增强的有效性，本文提出将两者结合，以获得一个实时增强系统。该模型具有基于编码器-解码器的体系结构，由因果卷积层组成。在编码器和解码器之间插入TCM，学习过去的长期依赖关系。 Method A 扩张因果卷.
语音增强国外牛人
audio_algorithm的博客
01-20 6689
1、传统单通道的语音增强方法： Yariv Ephraim 主页：http://ece.gmu.edu/~yephraim/ 此人大牛， 可以说开启/总结 了语音增强的三个方向，statiscial model based, HMM training based, subspace based. Rainer Martin 主页：http://www.ruhr-uni-bochum.de/i...
论文解析：Real Time Speech Enhancement in the Waveform Domain
qq_34755941的博客
03-19 2731
paper：在时域波形上的实时语音增强技术 code ：https://github.com/facebookresearch/denoiser 这篇文章出自Facebook AI研究院，经本人真实数据测验，具有较好的降噪效果，下面来详细介绍一下这篇论文。 一、论文 1. 摘要 本文提出了一个能够在CPU的笔记本电脑上实时运行的语音增强模型。该模型是一个带有skip-connection结构的encoder-decoder架构。利用多个损失函数，同时优化时域和频域。实验结果表明，该方法能够去除各种背景噪声，
大语言模型(LLMs)综合调研
dra_p0p3n's blogs
04-16 3965
通用人工智能就要来了
大模型里prefix-decoder、casual-decoder、encoder-decoder区别
锴笑口常开的博客
04-28 1315
Prefix Decoder在训练时可能更关注于从输入到输出的映射，因此损失函数。
Code for one-dimensional convolutional wavelet neural network
05-17
Here is an example code for a one-dimensional convolutional wavelet neural network using PyTorch: ```python import torch import torch.nn as nn import pywt class ConvWaveletNet(nn.Module): def __...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值