[論文レビュー] Relative Transfer Function Estimation Exploiting Spatially Separated Microphones in a Diffuse Noise Field

Nico Gößling, Simon Doclo|arXiv (Cornell University)|May 25, 2018

Speech and Audio Processing参考文献 9被引用数 8

ひとこと要約

本稿では、拡散雑音場における空間的に分離されたマイクロホンを外部に用いることで、マルチマイクロホン音声強調の相対伝達関数（RTF）を計算的に効率的に推定する手法を提案する。局所アレイと外部マイクロホンの間で雑音成分の空間的コherー二ンスが無視できるものと仮定することで、外部マイクロホンの信号を一切必要とせず、局所マイクロホンの共分散行列のみを用いて不偏なRTF推定器を導出する。この手法は、オンラインMVDRビームフォーマーに統合された場合、推定精度と雑音低減性能において最先端の手法を上回る。

ABSTRACT

Many multi-microphone speech enhancement algorithms require the relative transfer function (RTF) vector of the desired speech source, relating the acoustic transfer functions of all array microphones to a reference microphone. In this paper, we propose a computationally efficient method to estimate the RTF vector in a diffuse noise field, which requires an additional microphone that is spatially separated from the microphone array, such that the spatial coherence between the noise components in the microphone array signals and the additional microphone signal is low. Assuming this spatial coherence to be zero, we show that an unbiased estimate of the RTF vector can be obtained. Based on real-world recordings experimental results show that the proposed RTF estimator outperforms state-of-the-art estimators using only the microphone array signals in terms of estimation accuracy and noise reduction performance.

研究の動機と目的

• バナウルおよびマルチマイクロホン音声強調システムにおける、混响と雑音が混在する環境下での正確なRTF推定の課題に対処すること。
• 固有値分解（EVD）や特異値分解（SVD）などの反復的行列演算を避けることで、RTF推定の計算複雑性を低減すること。
• 局所アレイ雑音と低空間的コherー二ンスを持つ外部マイクロホンを活用することで、推定精度と雑音低減性能を向上させること。
• ロバストなRTF追跡を可能にする、リアルタイムかつオンラインでのMVDRビームフォーマー実装を可能にすること。
• ヘッドマウントおよびテーブルマウントマイクロホンからの実世界記録を用いて、手法の妥当性を検証すること。

提案手法

• 外部マイクロホンの雑音と局所マイクロホンアレイの雑音成分との間の空間的コherー二ンスが低い特徴を活用する。
• 外部マイクロホン信号と局所アレイ信号との間で空間的コherー二ンスをゼロと仮定し、簡素化されたRTF推定器を可能にする。
• ノイズ共分散推定を必要とせず、局所マイクロホンアレイ信号の共分散行列のみに依存して不偏なRTF推定値を導出する。
• 時間変動する音源位置に適応するため、指数平滑化を用いた再帰的共分散推定を採用する。
• 推定されたRTFをバイナリオンMVDRビームフォーマーに適用し、時間変動するノイズ共分散推定値を用いて雑音低減を実現する。
• RTF推定精度とビームフォーマー性能の評価指標として、ヘルミート角とSNR向上率を用いる。

実験結果

リサーチクエスチョン

• RQ1 EVDやSVDのような反復的行列演算を回避できる、計算的に効率的なRTF推定器を設計できるか？
• RQ2 局所雑音と低空間的コherー二ンスを持つ外部マイクロホンを活用することで、アレイのみの手法に比べてRTF推定精度が向上するか？
• RQ3 提案手法は、オンラインMVDRビームフォーマー環境下で、より優れた雑音低減性能を達成できるか？
• RQ4 実世界の非定常条件下で、SNRや時間定数が変化する状況下でも、推定器の性能はどの程度か？
• RQ5 話者位置の変化や環境の動的変化に対して、推定器はロバストか？

主な発見

• 提案手法のSCベースRTF推定器は、全テストSNRおよび時間定数において、CSベースおよびCWベースの推定器を上回るRTF推定精度を示した。
• 入力SNRが0 dBで時間定数が50 msの条件下で、提案手法は最初の22フレームを過ぎた後、R1およびPM-CS推定器よりも低いヘリミート角誤差を達成した。
• ノイズのみの期間推定を必要としないため、信号共分散のみに依存する性質から、音声発話開始に伴う適応が速やかに実現された。
• MVDRビームフォーミングにおいて、全入力SNRおよび時間定数において、提案手法が最大のSNR向上率を達成し、優れた雑音低減性能を示した。
• 短時間定数（50 ms）でも高い推定精度を維持でき、動的な話者移動に迅速に適応可能なことが示された。
• 外部マイクロホンと局所アレイ雑音との間で空間的コherー二ンスがゼロであるという仮定のもと、不偏なRTF推定が実現可能であり、実世界データによる検証で裏付けられた。