维纳滤波 vs IRM 掩蔽

一、维纳滤波 vs IRM 掩蔽：一张图看懂关系

	维纳滤波（统计方法）	IRM 估计（深度学习方法）
核心思想	每个频点乘一个增益 G∈0,1G \in 0,1G∈0,1	每个频点乘一个掩码 M∈0,1M \in 0,1M∈0,1
增益/掩码怎么来的	手工推导的数学公式：G=ξξ+1G = \frac{\xi}{\xi+1}G=ξ+1ξ	神经网络从数据中学到的非线性映射
先验SNR怎么估计	Decision-Directed 递归（假设语音连续变化）	神经网络隐层自动编码时序信息
是线性的吗	是（增益是SNR的函数，但SNR估计本身是线性的）	否（多层非线性变换）
需要假设分布吗	需要（高斯分布假设）	不需要（数据说话）
需要噪声统计吗	需要（噪声功率谱必须准确估计）	不需要（网络自己学什么是噪声）

本质区别：同样的"增益/掩蔽"框架，维纳滤波用数学公式填，DNN用数据训练填。

---

二、为什么 DNN 的"掩蔽"比维纳的"增益"更强？

1. 非线性能力

维纳增益是先验SNR的单调函数：

SNR高 → G≈1
SNR低 → G≈0

但真实语音的时频结构远比这个复杂。比如：

• 某个频点SNR很低，但它前后帧都有强语音 → 应该保留（时序连续性）
• 某个频点SNR中等，但它不在谐波位置上 → 可能是噪声（谐波结构先验）

DNN 的隐层可以学到这些非线性、非局部的复杂规则，而维纳滤波做不到。

2. 全局上下文

维纳滤波每个频点是独立估计的：

G(k,t) 只依赖 ξ(k,t)

DNN 的输入是整帧频谱 （257维），隐层可以跨频点耦合：

M(k,t) 的估计同时利用了所有频率bin的信息

这意味着 DNN 可以学到"谐波结构"------如果100Hz和200Hz同时有能量，那300Hz大概率也是语音。

3. 不需要噪声估计

这是最重要的一点。维纳滤波的核心难题是噪声功率谱估计：

noise_power = np.mean(S_noisy[:, :20] ** 2, axis=1)  # 脆弱的假设！

DNN 完全绕过了这个问题------它不需要显式知道噪声长什么样，它只需要看过足够多的"带噪-纯净"配对样本，就能自动学会区分语音和噪声。

---

三、从"逐帧独立"到"时序建模"

不过，我们当前的 DNN（无论是频谱映射还是 IRM）都有一个致命缺陷：

# 当前网络每次只看一帧
input:  [第 t 帧的 257 个频点]
output: [第 t 帧的 257 个掩码值]

# 它不知道第 t-1 帧和第 t+1 帧长什么样！

但语音是时序信号：

• 语音不会在一帧内突然出现又突然消失（时序连续性）
• 噪声可能在这一帧强、下一帧弱（需要平滑）
• 人耳有"前向掩蔽"效应（前一帧影响当前帧的感知）

→ 这就是要解决的问题：加入 RNN/LSTM，让网络有记忆。