本研究旨在促进噪声抑制技术的创新，提高感知语音质量。通过在 INTERSPEECH 2020 会议上举行 Deep Noise Suppression Challenge 特别会议以及开源训练和测试数据集，来推动该领域的研究。挑战赛分为两个方向，一个专注于实时去噪，另一个专注于实时个性化深度噪声抑制。我们还提供了一种非侵入式的客观语音质量指标 DNSMOS，在开发阶段供参与者使用，最终评估将基于主观测试。

Sep, 2020

Deep Noise Suppression Challenge aims to improve speech quality through open-sourced datasets and evaluation frameworks using two tracks focused on real-time denoising for wideband and full band scenarios, as well as making available a reliable objective speech quality metric called DNSMOS.

Jan, 2021

本文提出了一种基于两个阶段的去噪系统，该系统通过将 CycleGAN 模型的估计强度与原始嘈杂的相位相结合来获得粗略增强的复杂光谱，并利用复杂光谱映射网络进一步抑制噪声成分和估计干净相位。实验结果表明，该方法在各种评估指标方面始终优于之前的单阶段 CycleGAN 和其他最先进的 SE 系统，尤其是在背景噪声抑制方面

Sep, 2021

一种创新的方法用于在资源受限设备上实时语音增强的深度神经网络计算复杂度的减少，该方法利用两阶段处理框架，采用通道特征重定向来降低卷积运算的计算负荷，并结合改进的功率定律压缩技术以实现与最先进方法相当的噪声抑制性能，但具有显著较少的计算要求。值得注意的是，我们的算法的计算复杂度和内存使用比之前最先进的方法要少 3 到 4 倍。

Dec, 2023

介绍了交互式语音技术协会 2020 年举办的深度噪声抑制挑战赛，通过提供大规模干净语音和噪声语料库对话音频，以及基于 ITU-T P.808 的在线主观测试框架，比较了不同算法的噪声抑制效果。

May, 2020

本文提出了一种适用于 VoIP 应用的深度噪声抑制模型的微调方法，并通过使用多任务学习框架联合优化噪声抑制和特定于 VoIP 的声学，表明该方法优于行业绩效和最先进的语音增强方法，并展示了 DNS-2020 模型在不同 VoIP 平台上具有潜在优化的潜力，这些发现在语音识别、语音助手和通信等领域具有重要应用。

Mar, 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

本文针对音频反欺骗技术进行研究，通过熵分析发现频率相位特征与幅度特征的随机度存在巨大差异，导致以往的特征级融合存在失败情况。为此，提出使用相位网络，降低上述差异，并对其进行了实证研究，结果表明相位网络能有效提高系统的性能表现，并在该领域的已知及未知应用场景中得到了应用。

Mar, 2022

通过利用较小的音频块作为输入，我们提出了一种名为 DPATD 的双相音频变压器模型，该模型组织了一个深层结构的变压器层以学习用于降噪的清洁音频序列。广泛的实验证明我们的模型优于现有技术方法。

Oct, 2023

本篇研究探讨了如何大幅减少核磁共振成像扫描时间，介绍了一种使用深度残差学习网络处理成像伪影及并行成像算法来加速磁共振成像的新框架，该网络能够成功学习和去除干扰伪影，具有大幅度的计算时间加速。

Apr, 2018