请问，模型低信噪比场景听感难受问题

[gedebabin]

晓彬，您好：
非常感谢您的开源精神，我正在使用您开源的训练框架 SEtrain。
我发现训练出来的小参数网络在低信噪比场景下会出现降噪不干净，人声听感难受的问题。在尝试更换网络结构、更换mask、单独使用mse或sisnr均无明显改善，并且减小参数时问题更加明显。
您开源的本模型在处理低信噪比音频时同样会出现降噪不干净，听感难受的问题。您能否提出建议帮助解决这一问题。
期待回复，感谢！

[Xiaobin-Rong]

你好！ 感谢支持。低信噪比环境本身对降噪模型就是一个挑战，非常容易出现降噪不干净/过抑制的问题，对于小参数网络，问题会更显著，这是很难解决的挑战。目前对于提高小参数网络的性能和泛化性还在研究中，欢迎您持续的关注！

[gedebabin]

谢谢晓彬的答复！
另外在查看代码时我有个不解之处：

   out = self.mask(mask, inpt.permute(0,3,2,1)) # (B,2,T,F)
   out = out.permute(0,3,2,1)  # (B,F,T,2)

    此处为什么要permute两次？SEtrain中只permute一次就可以了，是这样catch内存会快一些吗？     

  m = de_x1.permute(0,3,2,1)
  s_real = x_ref[...,0] * m[...,0] - x_ref[...,1] * m[...,1]
  s_imag = x_ref[...,1] * m[...,0] + x_ref[...,0] * m[...,1]
  s = torch.stack([s_real, s_imag], dim=-1)  # (B,F,T,2)

另外我发现decoder输出冗余了一个维度，可以考虑decoder最后一个维度输入设置为2。

[Xiaobin-Rong]

@gedebabin

你好！第一个问题permute两次是因为Mask类中定义了输入的mask和spec维度是(B,2,T,F)

class Mask(nn.Module):
    """Complex Ratio Mask"""
    def __init__(self):
        super().__init__()

    def forward(self, mask, spec):
        s_real = spec[:,0] * mask[:,0] - spec[:,1] * mask[:,1]
        s_imag = spec[:,1] * mask[:,0] + spec[:,0] * mask[:,1]
        s = torch.stack([s_real, s_imag], dim=1)  # (B,2,T,F)
        return s

这纯粹是一个个人习惯问题，我习惯模型的input和output都是 (B,F,T,2)维度。应该不太会影响内存读取速度。

另一个问题，”decoder输出冗余了一个维度，考虑decoder最后一个维度输入设置为2“ 是什么意思？我现在decoder输出的维度就是2吧。

[gedebabin]

是的，您是正确的，非常感谢！

[vivi-max]

@gedebabin 您好，可以回复我一下吗！我有问题关于该项目的想向您请教