本研究提出了一种基于深度学习的端到端方法用于解决单通道无特定说话人的多人语音分离问题，通过利用时间 - 频率的掩蔽，短时傅里叶变换以及它的逆变换嵌入到深层网络中，通过在重建信号上直接计算损失函数来解决之前存在的位移不一致导致的重构误差问题，同时通过多次展开的反相位恢复算法进行训练，使用新的激活函数允许掩蔽值超过 1， 在公开可用的数据集上取得了目前最先进的分离效果。

Apr, 2018

该研究采用深度学习对短时傅里叶变换领域中的单声道讲话人无关音频分离进行了相位重构实验，提出了三个基于迭代相位重构、组群延迟估计和相位差符号预测的算法，对公开的 wsj0-2mix 和 3mix 语料库进行了最先进的测试。

Nov, 2018

本文介绍了一种新的方法，通过使用复数值神经网络处理输入音频的 CQT 频域表示，结合了幅度谱图和原始音频处理方法的优点，既保留了相位信息又可使用可解释人工智能方法，结果表明该方法在 “野外” 反欺诈数据集上优于先前的方法，并通过可解释人工智能解释结果，剔除研究证明该模型已学会使用相位信息来检测声音伪造。

Aug, 2023

通过三种方式解决相位估计问题，提出了基于复数建模的 Deep Complex U-Net，极坐标复数掩蔽方法和新型的 wSDR 损失函数，在 Voice Bank 和 DEMAND 数据库上测试表明相对于之前的方法实现了最新的性能提升。

Mar, 2019

提出了 SpeakerBeam-FE 方法进行说话者分离，通过幅度和时间频谱近似损失来估计目标说话者的相位敏感掩模，使用串接框架来将说话者嵌入编码到掩模估计网络中，实验结果表明，相对于 SBF 基准线，在 SDR 和 PESQ 方面，所提出的方法分别取得了 70.4% 和 17.7% 的相对改进，对于不同和相同性别混合，所提出的方法分别获得了 69.1% 和 72.3% 的相对 SDR 改进。

Mar, 2019

该论文介绍了一个名为 Conv-TasNet 的深度学习框架，可用于端到端的语音分离，通过一系列线性编码器和加权函数（掩码），Conv-TasNet 可以显著地提高两个和三个扬声器混合声音的分离能力，并优于多种时间 - 频率掩码方法和经过主观和客观质量评估的最佳时间 - 频率幅度掩码，对于离线和实时语音分离应用都有较小的模型尺寸和更短的最小延迟。

Sep, 2018

本文提出了一种有效的相位重建策略，可以在嘈杂的环境中操作，通过将相位连续性损失考虑在最先进的神经语音增强系统中，本文证明了我们所提出的方法在训练过程中，可以显著提高增强语音信号的质量。

Feb, 2022

本文介绍了一种基于深度神经网络的相位和谐感知模型（PHASEN），用于单通道语音增强，其中使用两种不同的流进行幅度和相位预测，并设计了频率转换模块来捕捉沿频率轴的长程相关性，在 AVSpeech + AudioSet 和 Voice Bank + DEMAND 数据集上分别获得 1.76dB 和大幅优于以前方法的表现。

Nov, 2019

通过引入基于 Fourier 变换的结构性因果模型，本文旨在阐明领域泛化和频率组分之间的关系，将相位谱解释为半因果因素，将幅度谱解释为非因果因素。在多个基准测试中，通过对幅度谱进行扰动并建立空间关系来匹配相位组分，我们的方法在领域泛化和超出分布鲁棒性任务中取得了最先进的性能。

Jul, 2023

本文探讨了利用深度神经网络在音乐源分离中仅依赖幅度特征与在加入相位特征后分离性能的提升，提出了一种新的神经网络结构，该结构结合了幅度和相位，实验结果表明，相比仅使用幅度特征的网络，在 DSD100 测试集上使用相位衍生特征能够有效提升音频信号的信噪比，特别地，低音乐器的分离效果因此得到了明显的提升。

Jul, 2018