前面介绍了几种轻量级网路结构的降噪做法，本文介绍DTLN—一种时频双核心网络降噪做法。
AI-GruNet降噪算法
AI-CGNet降噪算法
AI-FGNet降噪算法
Pytorch搭建实虚部重建AI-GruNet降噪算法
一、模型结构
DTLN来自[2005.07551] Dual-Signal Transformation LSTM Network for Real-Time Noise Suppression (arxiv.org)，主要由两个时频网络组成，在频域以及时域同时进行建模去噪，效果可观，计算量可控。
特征方面，使用的是对数功率谱。
网络方面，首先是频域核心网络，类似AI-GruNet：先进行短时归一化，这个归一化不同其他norm层，是帧内归一化, 然后经过一个rnn核心网络，最后预测理想比率掩码，对幅度谱实现降噪。
其次是时域核心网络，主要包括编码层、rnn核心层和解码层，其中编码解码通过一维卷积实现。先将频域核心网络增强后的频谱转到时域，然后通过编码层提取高维特征表示，然后经过第二个rnn核心网络预测时域掩码作用到高维特征， 最后通过解码层解码完成时域降噪。
前向代码：
相比之前的频域网络降噪做法，DTLN同时对时域和频域进行建模降噪处理，隐式包含了相位信息，建模更全面，效果会更稳定。
二、测试数据和处理结果
鼠标噪声测试效果，整体降噪效果非常明显，噪声段降噪30多db：
DTLN_MouseClicks_processed,算法晓记,10秒
DTLN_MouseClicks_orig,算法晓记,10秒
无法张贴测试音频，更多测试音频和下载链接，见微信公众号“算法晓记”文章 Pytorch搭建DTLN降噪算法。
三、代码
包括训练代码和工程代码，后续考虑公开。
