轻量化时频双域语音增强网络MSLD-SENet：基于多尺度深度可分离卷积与通道混洗注意力的高效噪声抑制

本文提出MSLD-SENet（Multi-Scale Lightweight Dual-Domain Speech Enhancement Network），通过时频多尺度深度可分离卷积（TF-MDCSA）和轻量膨胀密集连接网络（LDDB），在仅0.82M参数量下实现PESQ 3.57的高性能语音增强。该模型创新性地融合通道混洗注意力与双阶段Transformer，显著降低计算复杂度，为移动端实时降噪提供高效解决方案。

　　

Highlight
语音增强技术
深度学习推动语音增强技术跨越式发展。传统信号处理方法（如谱减法、维纳滤波）在简单噪声场景表现良好，但面对复杂声学环境时，其依赖噪声先验知识的局限性凸显。相比之下，基于深度神经网络（DNN）的方法通过数据驱动模式突破这一瓶颈。

Methodology
模型架构详解
本研究的核心是生成器-判别器协同框架：生成器采用编码器-解码器结构，集成双阶段Transformer模块；判别器基于MetricGAN框架，通过逼近感知评价指标（如PESQ）生成监督信号。编码器通过通道扩展和频率压缩构建多尺度时频表征，解码器则采用独创的频域上采样卷积块（FDUCB）提升细节重建能力。

Experimental Setup
实验参数配置
音频统一重采样至16kHz，训练数据分割为2秒片段。短时傅里叶变换（STFT）采用400点汉宁窗（25ms时宽），帧移10ms，生成201维频域特征。模型在VoiceBank+DEMAND数据集验证，对比基线包括Conv-TasNet、DPRNN等主流方案。

Evaluation Metrics
多维性能评估
采用宽带语音质量感知评估（WB-PESQ^?，范围-0.5~4.5）、短时客观可懂度（STOI）和平均意见得分（MOS）三维度体系。MOS细分信号失真度（CSIG）、背景噪声抑制（CBAK）和整体效果（COVL），均采用1~5分级制。

Conclusion
研究价值总结
MSLD-SENet通过时频域混合注意力机制与轻量化架构的协同设计，在参数量减少64%情况下仍保持SOTA性能。频域上采样模块（FDUCB）和膨胀密集块（LDDB）的创新组合，为边缘计算设备部署提供新范式。