マスクフリーなニューラルネットワークによるモノラル音声増強

音声強調において、対象音声の位相に明確な構造的特徴が欠如しているため、保守的かつ冗長なネットワーク構造を用いる必要がある。直接的手法と単純なネットワークアーキテクチャでは、競争力のある性能を達成するのは困難に思われる。しかし本研究では、音声だけでなく逆方向のノイズも直接マッピング可能な、直接的かつ単純なネットワーク「MFNet」を提案する。このネットワークは、グローバル処理に適したMobileblockの利点と、ローカル相互作用に優れたMetaformerアーキテクチャを統合した「グローバルローカルフォーマーブロック（GLFB）」を段階的に積み重ねて構成されている。実験結果から、本研究で提案するマッピング手法はマスキング手法を上回ることが示され、特に強いノイズ環境下では逆ノイズの直接マッピングが最適な解決策であることが明らかになった。リバーバーションのない2020年Deep Noise Suppression（DNS）チャレンジテストセットにおける横断的比較において、本研究の知見に基づく限り、MFNetは現在の最先端（SOTA）マッピングモデルである。