GTCRN-Light v3 技术说明书
0. 扼要（Executive Summary）
GTCRN-Light v3（以下简称 v3）是在原生 GTRCN 基础上进行的等价轻量化实现：完整保留“ERB→SFE→Encoder（频轴两次 /2）→DPGRNN（intra→inter）→Decoder（镜像+跳连）→ERB⁻¹→复域 CRM”的主干数据流与功能语义，通过算子级设计收缩参数与 MACs，同时增强形状稳定性与工程可部署性。 核心收益：
- 结构等价：无语义重构、无路径删减；对齐原版的时/频建模顺序与接口。
- 计算瘦身：卷积 DW-Separable 化、RNN 低秩瓶颈、门控去 RNN 化、ERB 固定权重化。
- 工程稳态：严格的频轴上/下采样闭环（33→65→129），对齐安全，易于导出与部署。
1. 设计目标与边界（Design Goals & Constraints）
- 不改变 GTRCN 的任务假设与编解码语义：复域 CRM、ERB 子带、频轴二次下采样、DPGRNN（先 intra 后 inter）、镜像解码与跳连。
- 降低参数与 MACs，但不牺牲 DPGRNN 的双路径长程/跨频建模。
- 形状稳定：频轴整数对齐，杜绝奇偶差累积；跳连前天然同维。
- 部署友好：避免难以量化/导出的算子（极小化状态化 RNN、减少不必要的线性层）。
2. 与原生 GTRCN 保持一致的“架构不变量”
- 数据流：
(B,F,T,2) → [|S|, Re, Im] → ERB(bm) → SFE → Encoder(freq /2 ×2) → DPGRNN(intra→inter) → Decoder → ERB(bs) → CRM × S(复域) - 采样策略：ERB 后 F=129；编码两次在频轴 /2：129→65→33；解码反向：33→65→129（确保 33→65→129 的闭环）。
- 时/频耦合：瓶颈处严格遵循 intra-(per time, across F) → inter-(per freq, across T) 的双路径顺序。
- 输出语义：预测 CRM（实/虚） 并在复域与输入逐点相乘。
3. 轻量化的四大支柱（Pillars of Lightweighting）
3.1 卷积主干 DW-Separable 化 + 轻量 GT-ConvLite
动机：将 2D 卷积的通道耦合与空间（T/F）卷积解耦，保留感受野与局部子带建模能力的同时，将参数与 MACs 近似按 1/通道数 降低。
做法：
- 编码/解码的下/上采样层：
Depthwise(1×3, stride=(1,2) on F) + Pointwise(1×1)； - 语义卷积块（GT-Conv）改为 GT-ConvLite：
Depthwise dilated (3×3, dilation on T) + 1×1 + BN + PReLU，外接轻量时域门控（见 3.2）。
- 编码/解码的下/上采样层：
保持：与原 GT-Conv 的“扩大感受野 + 时域门控 + 残差融合”功能等价。
3.2 TRALite：将 TRA 的时域门控改为深度可分 1D 卷积
- 动机：TRA 原本通过 RNN/Attention 对时域能量进行门控，参数与状态管理较重；我们以通道独立的 1D 深度卷积代替，再用 1×1 调谐与 Sigmoid 形成门控，零状态、可量化、极小参数。
- 做法：
DW-1D(k=3) → PW-1D → Sigmoid，作用在mean_F(|x|^2)的时域能量轨迹上，对特征(B,C,T,1)做逐时刻缩放。
3.3 DPGRNN 瓶颈化：C→r→C 的低秩投影（保持双路径、缩小隐藏维）
- 动机：DPGRNN 是 GTRCN 的建模灵魂，但 RNN 的隐藏维是主要参数与 MACs 来源。
- 做法：在 intra 与 inter 两条路径前统一做
Linear(C→r)，RNN 在 r 维运行，输出再投影回Linear(r*(1+bidir)→C)/Linear(r→C)；默认取r≈0.75·C（可调，最小下限 8）。 - 归一化策略：两次残差后均在
(B,T,F,C)上做LayerNorm(C)，避免与频轴长度绑定，规模可变更鲁棒。 - 顺序保持：
intra@F|t → inter@T|f与原版一致。
3.4 ERB 滤组固定化（Buffer 化）
- 动机：ERB 三角滤组是固定前端，无需可训练。
- 做法：将
bm, bs的权重矩阵以register_buffer固定为W_bm ∈ R^{F_high×erb2},W_bs ∈ R^{erb2×F_high}（注意方向），在最后一维做matmul/einsum。 - 收益：不计入参数量，同时消除与线性层相关的导出差异与量化漂移。
补充支柱：通道基数与倍率（width_mult）策略——将默认基数从 16→12，再用
width_mult∈{0.5,0.75,1.0,...}连续缩放，形成“指标-算力”可调滑杆。
4. 模块级规格（Module-level Specs）
4.1 ERB 变换
输入/输出：
bm: (B,3,T,F)→(B,3,T,129)；bs: (B,2,T,129)→(B,2,T,F)形式：
x_high_erb = x_high @ W_bm（W_bm: (F_high, erb2)）x_high_lin = high @ W_bs（W_bs: (erb2, F_high)）
低频直通：前
erb_subband_1=65bins 直连，后半经滤组映射。
4.2 SFE_Lite（子带上下文）
- 算子：
Depthwise(1×3) on F聚合邻频局部；保持三通道不变。 - 动机：在不展开通道的前提下获得子带上下文，减少
Unfold带来的通道膨胀。
4.3 Encoder（频轴下采样 ×2）
- Stem：
DSConv(3→C, stride=(1,2)): 129→65 - Down2：
DSConv(C→C, stride=(1,2)): 65→33 - GT-ConvLite 堆叠：三层（dilation = 1, 2, 5），每层
DW(3×3,dilated) + 1×1 + BN + PReLU + TRALite + Residual。
4.4 DPGRNN_Bottleneck（瓶颈处）
- Intra（沿 F）：输入
(B*T, F, C)→Linear(C→r)→GRU(r, r, bidir=on/off)→Linear(r*(1+bidir)→C)→ 残差到(B,C,T,F)；LayerNorm(C)。 - Inter（沿 T）：输入
(B*F, T, C)→Linear(C→r)→GRU(r, r, bidir=False)→Linear(r→C)→ 残差到(B,C,T,F)；LayerNorm(C)。 - 备注：
r、bidir、堆叠层数可开关（默认 1–2 层）。
4.5 Decoder（镜像上采样 ×2）
- 三层 GT-ConvLite（dilation = 5, 2, 1），与编码对应层做相加跳连。
- Two Ups：
DSDeconv(stride=(1,2), k=(1,3), p=(0,1), output_padding=(0,0))，保证 33→65→129 精确复原。 - Head：最后两通道输出复域掩膜
tanh(M)，在(B,2,T,F)上与输入复谱逐点相乘。
5. 复杂度与可调项（Complexity & Knobs）
5.1 理论复杂度走向
- 卷积：
DW(k×k) + PW(1×1)取代Conv(k×k)，参数与 MACs 近似按~C + C²替代~k²·C²； - RNN：由
C维改为r维（r≈α·C，默认 α=0.75），参数约按α²缩减；如关闭 intra 双向，则再减半。 - ERB：由两层 Linear 参数（高维）→ 0 参数（buffer），MACs 不变。
- 门控：RNN→DW-1D + PW-1D，小幅常数级参数。
5.2 推荐配置（示例）
- 边缘/实时（约束更紧）：
width_mult=0.75, r≈0.5C, use_two_dpgrnn=False, rnn_bidirectional=False - 平衡（默认）：
width_mult=1.0, r≈0.75C, use_two_dpgrnn=True, rnn_bidirectional=True - 离线高质：
width_mult=1.25, r≈C, use_two_dpgrnn=True, rnn_bidirectional=True
实际 Para/MACs 请以你的
tools/print_model_stats.py实测为准；v3 在“平衡/实时”配置下，相对原版 GTRCN 显著下降是可期的。
6. 训练与收敛建议（Training Notes）
- 损失：
L = λ₁·L_RI + λ₂·L_mag + λ₃·L_CM（复域 RI L1/L2、幅度 L1、相位一致性/余弦距离），可加SI-SDR/波形 L1 的 teacher-guided 混合。 - 两阶段：先固定 ERB 与卷积主干、只训 DPGRNN（加速收敛），后端到端微调。
- 稳定技巧：
grad_clip=5，warmup 3–5 epochs，AdamW (1e-3)，SpecAug（T/F 轻度遮挡）。 - 蒸馏（可选）：以原 GTRCN 为 teacher，v3 为 student，做中间层
L2/注意力对齐，快速靠拢主指标。
7. 部署与工程实践（Deployment）
- 导出：全卷积 + 标准 GRU +
tanh/BN/LN，易 TorchScript/ONNX；ERB 为 buffer，无权重更新分支。 - 量化：DW/PW 卷积天然友好；GRU 可半精度，或以
qGRU/LSTM 替换。 - 流式：DPGRNN 的状态可分块缓存（time-chunk）；TRALite 无隐藏状态，流式无额外开销。
- 混合精度：推荐 AMP/O2，注意
LayerNorm/matmul的数值稳定性（加小 ε）。
8. 变更对照表（Before → After）
| 功能位点 | 原生 GTRCN | v3 方案 | 保留/变化 |
|---|---|---|---|
| 频带映射 | ERB Linear（可训练实现） | ERB Buffer（固定三角滤组） | 语义不变、参数归零 |
| SFE | Unfold/通道展开 | DW(1×3) 子带聚合 | 功能等价、低开销 |
| 编码/解码卷积 | 标准/组卷积 + GT-Conv | DW-Separable + GT-ConvLite | 结构语义等价，显著降参 |
| TRA | RNN/Attention 门控 | TRALite（DW-1D + PW-1D） | 时域门控语义等价 |
| DPGRNN | C 维 RNN（×2） | C→r→C 瓶颈 RNN（×1/×2 可选） | 顺序与语义不变，低秩降参 |
| 频轴采样 | /2 ×2（129→65→33） | 同 | 严格对齐 |
| 输出 | 复域 CRM | 同 | — |
9. 小结
v3 的全部改动只在算子级与维度级，确保“看起来是 GTRCN、走起来是 GTRCN、输出也是 GTRCN”；它将工程落地中最“重”的部分（卷积、门控、RNN）逐一低秩化与可分离化，同时通过 ERB 固定化 与频轴闭环提升稳定性与可部署性。 在不牺牲主干语义的前提下，v3 提供从 实时-边缘到离线-高质的一整套“指标-算力可调”配置，是对原生 GTRCN 的面向生产环境重制版。