我们提出了一种无监督 - GFANC 方法，通过将协处理器和实时控制器集成到端到端可微的自适应噪声控制系统中，简化了一维卷积神经网络（1D CNN）的训练过程并提高了其实用性，以累积的二次误差信号作为训练 1D CNN 的损失函数，该无监督学习范式不仅省略了标记过程，而且在真实噪声实验中表现出比有监督 GFANC 方法更好的降噪性能。

Feb, 2024

该研究提出了一种新的强化学习方法，自动过滤噪音输入信息，该方法使用动态稀疏训练原理和各种深度强化学习算法，可有效识别出与任务相关的输入信息，并取得了比传统算法更好的性能。

Feb, 2023

本文提出了一种基于学习滤波器结构和强度的 SSF-CNN 架构来解决小样本问题，并在 MNIST、CIFAR10、NORB 和新生儿人脸识别等领域得到了表现优异的结果。

Mar, 2018

该研究提出了一种基于非局部稀疏性的深度卷积神经网络去噪范式，结合了卷积神经网络和非局部滤波器，证明了在大型灰度图像数据集上具有最先进的性能。

Mar, 2018

本文介绍了一种基于深度学习和规则化技术的光学条纹图象去噪方法，可以有效去除条纹图象中的噪声，提高提取相位场的准确性和鲁棒性。实验结果表明，该方法在去除噪声的同时，能够保留条纹图象的主要特征，速度较快，具有一定的竞争力。

Jan, 2019

通过研究分析训练数据中的采样率对移动设备处理限制中的轻量级高效深度神经网络 (DNNs) 的影响，研究发现采用 48kHz 的高采样率训练模型在降噪效果和音频质量上显著优于低采样率，同时也发现了与较高采样率相关的处理时间延长的折衷方案。未来研究将进一步优化模型的效率以及在移动设备上进行测试。

May, 2024

本研究提出了一种用于改善高频和多尺度特征学习的动态卷积算法，其中采用了增强空间上下文信息的核生成模块 (SEKG) 以及动态卷积块 (DCB) 和多尺度动态卷积块 (MDCB)。此外，还提出了多维特征集成 (MFI) 机制，旨在融合多尺度特征，从而提供具有精确性和丰富上下文特征的表征。最终，使用所提出的算法构建的 ADFNet 在真实世界和合成高斯噪声数据集上取得了更好的性能，且具有较低的计算复杂度。

Nov, 2022

本文设计了以 Fast Fourier convolution 为核心的神经网络结构，用于语音增强，实验证实大的接受域使其优于普通卷积模型，并展示结果强于或与其他语音增强基线相当。

Apr, 2022

本文提出了一种基于多尺度自适应网络的单张图像去噪方法 (MSANet), 它同时考虑了尺度间的互补性和尺度内部的特征，并提出了自适应特征块 (AFeB), 自适应多尺度块 (AMB) 和自适应融合块 (AFuB) 进行实现，并在多组图片去噪实验中展现出比传统方法更好的表现。

Mar, 2022

提出了一个基于噪声感知的训练框架，将增强语音引入到声学模型的多条件训练中，通过两个级联的神经结构来优化增强语音和语音识别，并取得了较好的实验结果。

Mar, 2022