《表3 平行数据下比较不同方法的评估结果》

  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

《基于CycleGAN的非平行语音去噪方法》

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

为了说明本文方法在处理非平行数据集上的确具有一定的优势，表3给出了平行数据集下对于不同度量方法的实验结果，还进一步将传统的Wiener方法加入比较列表中（表2并没有给出该方法的比较，主要是因为该方法依赖平行数据集，对于非平行数据集而言并不适用）。从表3可以看出，Wiener方法在SD指标上的值最小，实际上并没有多大程度的失真，但NR和SSNR的值最不理想。将本文方法与传统Cycle GAN相比时，PESQ、NR、SSNR这3项指标也分别提高了9.69%、3.91%、22.22%，不难看出，平行数据下的总体提升效果与非平行数据下的总体提升效果相差不大，这就很好地说明了本文方法可以适用于更多的实际场景，尤其是在匹配的数据集相当匮乏的情况下。