SMRU: Split-and-Merge Recurrent-based UNet for Acoustic Echo Cancellation and Noise Suppression

深度神经网络的普及催生了声学回声消除和噪声抑制的快速发展，并提出了许多有前途的先前技术。然而，它们很少考虑在不同处理场景（如边缘设备和云处理）中的部署通用性。为此，本文提出了一个通用模型SMRU，以涵盖不同的应用场景。其创新点在于：首先，提出了多尺度频带分割层和频带合并层，以有效地融合局部频带以进行更低复杂度的建模。此外，通过模拟经典UNet结构的多分辨率特征建模特性，设计了一种新型的循环主导UNet。它由多个可变帧率块组成，每个块都涉及具有不同压缩比的因果时间向下/向上采样层和用于内部和内部带建模的双路径结构。该模型在MACs方面的配置范围从50 M/s到6.8 G/s，并且实验结果表明，所提出的方法在现有基线上产生了具有竞争力甚至更好的性能，并且具有完全适应不同复杂度要求的更通用场景的潜力。

该论文旨在提出一种通用模型SMRU，以覆盖不同的处理场景，例如边缘设备和云处理。

该论文提出了一种新颖的递归主导UNet模型，其中包括多个可变帧速率块，每个块都包括具有不同压缩比率的因果时间下/上采样层和用于内部和间带建模的双路径结构。此外，还提出了多尺度带分裂层和带合并层，以有效地融合局部频带以进行更低复杂度的建模。

该模型在MACs方面的配置范围从50 M/s到6.8 G/s，实验结果表明，该方法比现有基线具有竞争力甚至更好的性能，并具有适应不同复杂度要求的潜力。

在这个领域中，还有一些相关的研究，例如：'A Survey of Acoustic Echo Cancellation: Networks to FPGA Implementation'和'Acoustic Echo Cancellation Using Deep Neural Networks with Adaptive Activation Function'。