[论文解读] Estimating a Signal from a Magnitude Spectrogram via Convex Optimization

Dennis L. Sun, Julius O. Smith|arXiv (Cornell University)|Sep 10, 2012

Sparse and Compressive Sensing Techniques参考文献 12被引用 18

一句话总结

本文提出了一种凸优化框架 STliFT，通过将问题提升为秩-1矩阵估计任务，从其幅度谱图中重建信号，从而实现全局最优性保证。在无噪声场景下，其性能优于标准的 Griffin-Lim 算法，并展现出更强的鲁棒性，尤其在小帧移和较短窗长条件下表现更优。

ABSTRACT

The problem of recovering a signal from the magnitude of its short-time Fourier transform (STFT) is a longstanding one in audio signal processing. Existing approaches rely on heuristics that often perform poorly because of the nonconvexity of the problem. We introduce a formulation of the problem that lends itself to a tractable convex program. We observe that our method yields better reconstructions than the standard Griffin-Lim algorithm. We provide an algorithm and discuss practical implementation details, including how the method can be scaled up to larger examples.

研究动机与目标

• 为解决音频信号处理中长期存在的相位恢复问题，即仅能获取幅度谱图。
• 克服 Griffin-Lim 等非凸优化方法的局限性，这些方法常收敛至局部最优解。
• 开发一种凸优化形式，保证全局收敛并提升重建质量。
• 在语音增强和时序缩放等应用中，实现从幅度谱图中实际恢复信号。
• 通过分段处理和在平稳区域允许相位自由运行，将该方法扩展至更大规模音频信号。

提出的方法

• 该方法通过将信号估计提升为秩-1矩阵 $ X = xx^* $，将信号恢复问题形式化为凸优化任务，其中 $ X $ 从幅度谱图中估计得出。
• 它使用半定规划，最小化估计幅度谱图与目标幅度谱图之间的最小二乘差异，同时满足 $ X $ 为半正定且秩为一的约束。
• 该算法通过凸松弛方法交替估计矩阵 $ X $，并通过 $ X $ 的谱分解恢复信号 $ x $。
• 通过引入加窗和 STFT 帧约束，确保重叠时频网格之间的一致性。
• 通过将信号分段处理，该方法可实现并行化，降低计算负载，同时保持重建质量。
• 在平稳区域，允许相位自由运行，从而减少对整个信号进行完整优化的需求。

实验结果

研究问题

• RQ1 能否设计一种凸优化框架，从幅度谱图中恢复信号，避免非凸方法固有的局部最优问题？
• RQ2 与 Griffin-Lim 算法相比，所提出的 STliFT 方法在重建精度和收敛行为方面表现如何？
• RQ3 窗长和帧移对凸与非凸相位恢复方法性能的影响是什么？
• RQ4 该凸形式化方法能否在计算成本可接受的前提下扩展至大规模音频信号？
• RQ5 在无精确匹配信号的噪声环境下，该方法是否仍能保持优越性能？

主要发现

• 在无噪声条件下，STliFT 能够一致地从幅度谱图中恢复原始信号，而 Griffin-Lim 常无法收敛至全局最优解。
• 对于小帧移（例如 R=1），STliFT 在 19 个样本信号上的中位相对误差为 0.04%，显著优于 Griffin-Lim 的最佳情况 0.03%。
• 在较大帧移（例如 R=7）下，Griffin-Lim 表现更优（中位误差 0.40%），优于 STliFT 的 4.62%，表明在稀疏帧覆盖下存在权衡。
• 在噪声环境下，STliFT 在小帧移和短窗长条件下表现更优，窗长 19、帧移 1 时中位误差低至 0.03%。
• 随着窗长增加，STliFT 与 Griffin-Lim 的性能差距缩小，对于 R=1 的情况，两者误差水平趋于一致。
• 该算法在多种初始化下均保持鲁棒性，且始终避免了困扰 Griffin-Lim 的局部极小值问题。