icassp2018的搬運工——DCT域做分離

文章題目：END-TO-END SOUND SOURCE ENHANCEMENT USING DEEP NEURAL NETWORK IN THE MODIFIED DISCRETE COSINE TRANSFORM DOMAIN （看起來就很厲害end-to-end耶）

------------------000000000000000000000000000--------------------------------------

作者：來自NTT的Yuma Koizumi1, Noboru Harada （看到NTT感覺作者名字上有光環）還有幾個人不認識

------------------mmmmmmmmmmmmmmmmm---------------------------------------

首先介紹一下文章主要幹了個什麼事：用離散餘弦變換（DCT）代替傳統的離散傅里葉變換(DFT)，在DCT域估計T-F掩蔽的真實值。

回顧傳統的T-F掩蔽：總結起來就是訓練一個時頻域的維納濾波。cIRM的提出使得幅度和相位都可以在網路中估計。但是這樣做的問題是相位和幅度不是獨立的變數，需要大量的訓練數據防止過擬合。

本文採用的方法：end-to-end DNN-based source enhancement with a T-F mask in the MDCT-domain. （modified DCT）

操作步驟：

1）將時域的信號分成K-blocks,每個block長L，沒有overlap

2）第k幀的時域信號由兩個block聯合組成，其MDCT 和逆變換分別為

但是直接這樣做得到的兩個時域信號 在時域上會有混疊。通過加上兩subsequent IMDCT vector components 來解決。

用這個方法加上end-to-end的模型，成功的解決了混疊問題。模型就是這樣式的~

實驗結果：神奇神奇~

推薦閱讀：