《表1 三种方法的平均PESQ得分》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种融合相位估计的深度卷积神经网络语音增强方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

使用三种方法对测试集含噪语音进行增强，并计算增强后语音的平均PESQ、STOI、SegSNR和SDR，表1~表4分别给出了在4类不同噪声和3种不同信噪比下四种指标的平均值，并给出了未处理的含噪语音的四种指标作为对比.不同噪声条件下的最佳结果均用粗体进行了标记.可见，在四种不同指标下，RI-DCNN在大多数噪声条件下都取得了最好的结果，特别是在低信噪比（-7dB）的HF channel噪声下，DNN-baseline和LPS-DCNN均出现了不同程度的失效，而RI-DCNN仍然取得了较好的语音增强性能，证明RI-DCNN具有更好的泛化能力.另外，LPS-DCNN相比DNN-baseline表现出了更好的语音增强性能，证明了DCNN相比DNN是更加适用于语音增强任务的网络结构.