Diffusion Models for Audio Restoration

随着音频播放设备和快速数据传输的发展，人们对高音质的需求正在增加，无论是娱乐还是通信。在追求更好的音质的过程中，由于记录侧的失真和干扰或由不完美的传输管道引起的干扰，会出现挑战。为了解决这个问题，音频恢复方法旨在从损坏的输入数据中恢复出清洁的声音信号。我们在这里介绍基于扩散模型的音频恢复算法，重点关注语音增强和音乐恢复任务。传统方法通常基于手工制定的规则和统计启发式方法，已经塑造了我们对音频信号的理解。在过去的几十年中，已经出现了一个明显的转变，即向利用深度神经网络（DNN）的建模能力的数据驱动方法转变。深度生成模型，其中包括扩散模型，已经成为学习复杂数据分布的强大技术。然而，仅依赖于基于DNN的学习方法存在降低可解释性的风险，特别是在使用端到端模型时。尽管如此，与基于统计模型的框架相比，数据驱动方法允许更大的灵活性，后者的性能取决于可能难以保证的分布和统计假设。在这里，我们旨在展示扩散模型可以结合两者的优点，并提供设计具有良好可解释性和声音质量方面出色性能的音频恢复算法的机会。

本论文旨在解决音频恢复中的失真和干扰问题，提出了一种基于扩散模型的音频恢复算法，重点关注语音增强和音乐恢复任务。

论文提出了一种结合了深度学习和统计模型的扩散模型，可以在保证解释性的同时，提供出色的音频恢复性能。

论文采用了数据驱动的方法，使用深度生成模型中的扩散模型进行音频恢复，相比传统的基于统计模型的方法，具有更大的灵活性和更好的性能。实验结果表明，该算法在语音增强和音乐恢复任务中，均取得了较好的效果。

近年来，深度学习在音频恢复领域中得到了广泛应用。与本论文相关的研究包括：'A Fully Convolutional Neural Network for Speech Enhancement'、'Deep Learning for Monaural Speech Separation'等。