Audio Super Resolution with Neural Networks

论文：Audio Super Resolution with Neural Networks
代码: Github

CV方向的超分辨研究已经非常多了，但是音频方向的超分辨研究却相对较少。作者的这篇文章就是开山之作，已经发表在ICLR2017上，从项目主页的Demo来看，效果还不错。但是作者也指出了几个问题：

• 如果想把这个模型用在自己的数据上，需要多搜集一些自己的数据训练，意思就是换个数据集可能就不好使了，毕竟每个数据集有一些差别
• 作者的低分辨率音频是通过低通滤波下采样得到的，所以对于不同的低通滤波方式，算法产生的效果差别就很大。如果是你自己的低分辨率音频，你根本不知道这个音频是哪种低通滤波产生的，所以效果可能会打折扣
• 如果是用人声训练出来的模型，应用到钢琴，音乐上，效果就会很差

总体思想

输入低分辨率的音频时间序列，训练一个Encoder-Decoder模型，输出高分辨率的音频时间序列。思路和CV的超分辨其实差不多。就是在低分辨率音频信号中插入高分辨细节。

网络结构如下：

网络结构图

左边输入的是原始低分辨率的音频信号，通过B个下采样的Blocks（每次下采样，feature map维度减半，滤波器大小翻倍），然后再通过B个上采样Blocks（每次上采样，feature map维度扩大一倍，滤波器大小减小一半）。底层特征通常对应wavelet-style features, 高层特征对应phonemes。每个Block的结构如下：

Block

还有，作者输入的音频信号到底是以什么样的形式输入的？
结合源代码和论文发现，作者首先把一段音频时间序列（就是一维数组，每个数组元素代表时间维度上的幅值，这里有个介绍音频信号的入门文章）进行下采样（下采样方式：先进行8阶切比雪夫滤波器滤波，然后降采样，然后插值上采样。这样就保证了低分辨率音频序列和高分辨长度一致。总之和图像数据超分辨的处理方式差不多），这样就得到了低分辨音频序列，而高分辨音频序列就是下采样之前的序列。这样就有了训练样本对，整个模型就可以训练起来了。

实验结果

下图是作者的实验结果，最左边是参考的频谱图，左二是输入，左三是插值算法的结果，左四是作者的结果。可以看出，作者的方法确实较好的恢复了高频信息。

实验结果

总结

• 根据SNR，LSD两个评价指标来看，效果不错。不过在领域迁移方面，以及降采样方式适应方面，效果不好。应用场景十分受限
• 可以实时，处理1s的音频只需要0.11s。而且不同于seq2seq任务，超分辨不需要等所有上下文输完才进行处理
• 作者实验发现，skip connection，residual connection很重要

读完这篇论文的整体感觉就是很简单粗暴，就像超分辨的开山之作一样，也许好用的方法总是简单的！最起码，在事后看起来是那么简单！