通过一个可微的近似 PESQ 函数训练语音增强模型，可以提高 PESQ 得分（相对于用 MSE loss 训练的结果增加了 0.18 分），同时保持语音可懂性。

May, 2019

本文中我们提出了一种基于深度神经网络的语音增强系统，它的设计目的是最大化一个短时客观可懂度的近似度量，通过模拟实验，我们表明该系统在匹配和不匹配的多种信噪比下都取得了较大的提高，并且在使用近似 - STOI 代价函数进行训练的情况下，该系统与使用平均平方误差代价的系统表现相当。

Feb, 2018

研究提出了一种基于度量导向的语音增强方法 (MOSE)，通过创新的 actor-critic 框架，将评估度量视为后验奖励，以指导反向过程到度量增加方向，从而提高了性能。

Feb, 2023

研究采用深度学习技术解决音视频语音增强任务时，目标量和目标函数的选择对性能至关重要；本实验研究了一系列不同的目标量和目标函数，结果表明直接估计掩模的方法在估计语音质量和可懂度方面表现最佳。

Nov, 2018

本研究提出了一种可以按任意讲话者数量、噪声类型和语音信噪比水平进行横向扩展的 MS-SNSD 有噪语音数据集，在这个基础上，研究者们推出了开源的评估方法，通过客观质量衡量标准和主观意见评分相互印证提升了 语音增强算法的性能。

Sep, 2019

基于深度神经网络和语音识别技术的语音理解模型，可高度精确地模拟听取语音信息的相关属性，不需要干净的语音参考或单词标签。

Mar, 2022

该研究提出了一种多目标框架，旨在学习与语音增强 (SE) 的目标任务无关的次要目标以及直接用于构建增强语音信号的原始目标的清洁对数功率谱 (LPS) 特征。在深度神经网络 (DNN) 语音增强中，作者引入了一个辅助结构来学习次要的连续特征和分类信息，并将其集成到原始 DNN 体系结构中，以联合优化所有参数。这种联合估计方案强加了其他限制，这在直接预测 LPS 时不可用，并且潜在地提高了主要目标的学习能力。此外，作为副产物学到的次要信息可以用于其他目的，在本文中是基于 IBM 的后处理。一系列实验表明，联合学习 LPS 和 MFCC 可以提高语音增强的性能，基于 IBM 的后处理进一步提高了重建语音的听音质量。

Mar, 2017

该论文提出了一种名为 Siamese-Difference 神经网络的卷积神经网络，采用扩展结构和注意力机制，以及附加的损失函数进行训练，该方法在 NTIRE 2021 感知图像质量评估挑战中表现卓越。

May, 2021

本文研究了对 RNN（循环神经网络）的训练的多个方面，它们影响着实时单通道语音增强的客观和主观质量。具体而言，我们关注增强短时语音频谱的 RNN，在单帧输入单帧输出的基础上，这是大多数经典信号处理方法采用的框架。我们提出了两种基于均方误差的学习目标，可以实现对音频失真和噪声降低重要性的分别控制，并通过广泛接受的客观质量和可懂度指标进行评估，并与其他竞争性在线方法进行比较。此外，我们还研究了特征归一化和批次序列长度的变化对增强语音的客观质量的影响。最后，我们展示了所提出的方法和最先进的实时 RNN 方法的主观评分。

Jan, 2020

本文提出了一种新的客观预测合成语音自然度的模型，采用 CNN-LSTM 网络逐端训练，独立于语言，能用于评估文本转语音或语音转换系统的效果，通过在多个数据集上测试证明模型的可靠性。

Apr, 2021