DCCRN:Deep Complex Convolution Recurrent Network for Phase-Aware Speech Enhancement

0. 摘要

部分研究成果虽然使用了复数频谱作为训练目标，但是却使用实数网络对幅度部分和相位部分（或者对实部和虚部）进行训练。此外，CRN（convolutional recurrent network）模型集成了CED（convolutional encoder-decoder）结构和LSTM结构特征，已被证明对复值训练效果较好。本文提出了一种模拟复值运算的新网络结构，DCCRN（Deep Complex Conbolution Recurrent Network），该网络模型参数大小为3.7M，在Interspeech 2020 deep noise suppression竞赛中实时赛道排名第一，非实时赛道排名第二。

1. Intorduction

噪声干扰不可避免的会降低语音交互的质量。因此，语音增强工作是一项非常重要的语音前端处理任务，将嘈杂的语音作为输入并生成增强的语音输出，以获得更好的语音质量、清晰度。近来，深度学习方法在语音增强领域取得了很好的结果，尤其是在处理具有挑战性的非稳态噪声方面。本文聚焦于基于深度学习的单通道语音增强方法，提升语音的感知质量和可懂度，尤其针对具有低模型复杂度的实时语音处理。

1.1 Related work

作为一个有监督学习问题，我们可以通过在时频域（TF-domain）和时域（time-domain）下对嘈杂语音进行增强。基于时域的方法又可以进一步划分为直接回归方法[2, 3]和自适应前端方法[4-6]两个类别。前者直接学习从语音噪声混合波形到目标语音的回归函数，无需显式的信号前端，通常使用某种形式的一维卷积神经网络 (Conv1d)实现。后者通常采用卷积编码-解码器和U-Net网络架构，时域信号作为输入和输出，实现类似于短时傅里叶变换和逆变换过程。然后在编码器和解码器之间插入语音增强网络，通常使用具有时间建模能力的TCN（temporal convolutional network）[4, 7]架构和LSTM（long-short term memory）架构[8]。

另一个主流的方法是在时频域方法[9-13]，该类方法认为经过STFT变换得到的TF表示能够令语音和噪声的精细结构更加容易分离。CRN方法【14】是一项近期的工作，通过CED提取高级特征(high-level)，以更好的进行带噪语音分离。CED方法能够处理复值谱和实值谱。复值频谱图可以分解为极坐标下的幅度谱和相位谱，或者笛卡尔坐标系下的实部和虚部。很长一段时间里，研究人员普遍认为相位是难以训练估计的，因此研究工作大多聚焦于幅度谱估计中[15-17]，忽略的相位信息估计，通过估计出的幅度和带噪语音的相位信息进行语音重建，该方法限制了网络的性能上限。

基于时频域方法的训练目标主要可以分为两类：masking-based target和mapping-based target。前者描述了语音和背景噪声之间的时频关系。后者对应纯净语音的频谱表示。在基于掩码的方法中，理想二值掩蔽（IBM）【20】， 理想比值掩蔽（IRM）【10】和频谱幅度掩蔽（SMM）【21】仅仅用到了干净语音和混合语音的幅度信息，没用使用相位信息。相反，phase-sensitive mask（PSM）【22】是第一个利用相位信息进行相位估计的掩蔽训练目标。之后，提出了复数比值掩蔽（CRM）【23】，该方法同时增强实部和虚部，实现完美的重建纯净语音。论文[24]提出的CRN方法，使用一个encoder 和两个decoders，通过复值频谱映射(CSM)同时估计混合语音信号的实部和虚部。CRM和CSM方法用到了语音的全部信息，理论上可以达到最佳性能。

最近DCUNET方法【25】集成了深度复数网络和u-net网络的优势，直接处理复值频谱。该网络模型的训练目标为CRM，使用SI-SNR损失函数进行网络模型优化，虽然该方法实现了SOTA性能，但由于使用了多层卷积网络，使得模型的复杂度较高，训练效率低。

1.2 Contributions

本文在之前网络架构的基础上，提出了deep complex convolution recurrent network（DCCRN），使用SI-SNR损失函数进行网络优化。该网络模型有效的结合了DCUNET和CRN方法的优势，使用LSRM对时序依赖进行建模，有效减少了可训练参数数量和计算开销。比较了不同的训练目标，复数网络和复数目标可以达到最佳性能。实验中，DCCRN模型的性能远远超过CRN模型，以1/6的计算复杂度，达到了DCUNET的网络性能。对于实时语音增强问题，参数量仅为3.7M。

2. The DCCRN Model

2.1 Convolution recurrent network architecture

CRN 模型【14】是一种典型的CED架构网络，在编码器和解码器之间，插入两层的LSTM。这里的LSTM层用于对时序依赖进行建模。encoder部分包含五个Conv2d blocks，用于从输入特征中提取高级特征，或者降低分辨率。decoder部分，通过对称设计，重构低分辨率特征。二维卷积块中包含卷积和反卷积层，batch normalization和激活函数层。encoder和decoder对应层之间通过skip-connection相连。

论文【24】在CRN的基础上，进一步提出了一个encoder 和两个decoder 的网络架构。对复值STFT频谱的实部和虚部分别进行建模。相比于仅仅对幅度信息进行建模的方法，【24】的网络性能有了非常明显的提升。但是DCCRN将实部和虚部作为输入的两个通道，依然采用实值卷积进行运算，没有考虑复数的乘法规则，因此网络可以在没有先验知识的情况下学习实部和虚部。本文提出的DCCRN使用复数CNN，复数batch normalization和复数LSTM对CRN方法进行改进。具体而言，复数模块通过对复数乘法进行模拟，可以实现对幅度和相位的关系进行建模。

2.2 Encoder and decoder with complex network

复数编码器模块包含复数二维卷积、复数batch normalization【26】和实值PReLU【28】。通过DCUNET，本文设计了复数二维卷积模块，该模块包含4个传统的二维卷积操作，其控制encoder中的复数信息流。复值卷积滤波器W定义为$W=W_r+j{W}_i$，其中实值矩阵$W_{}$