GTCRN：一个 23.7K 参数语音降噪网络的设计思路完整解读
GTCRN：一个 23.7K 参数语音降噪网络的设计思路完整解读 作者从零讲起：背景、骨架、模块、训练、部署、设计哲学，一篇看完。 配套源码：third_party/gtcrn/ ｜ 配套论文：GTCRN ICASSP 2024 目录 前言：这篇文章写给谁看 第一章 设计思路与背景：作者到底要解决什么问题？ 第二章 整体架构：一张图看懂 GTCRN 是怎么搭起来的 第三章 输入处理与 ERB：怎么把 257 个频点压成 129 个还不丢信息？ 第四章 GT-Conv 详解：ShuffleNetV2 + 时间空洞，省到极致的卷积块 第五章 DPGRNN 详解：双路径 + 分组，RNN 的极致瘦身 第六章 SFE 与 TRA：两个"点睛"模块 第七章 输出与损失函数：复数掩码 CRM 和"混合损失"的玄学 第八章 流式推理：从离线训练到逐帧实时 第九章 设计哲学总结：从 GTCRN 学到的可迁移工程思维 前言 如果你和我一样，是一名有信号处理（STFT、滤波器组、感知声学）和经典机器学习基础的工程师，能看懂代码，知道"卷积"、“RNN”、“注意力"大概是什么，但是看到 GTCRN 这样的网络结构图时会想： “作者为什么这么搭？这些模块之间凭什么能拼成一个能降噪的东西？” “23.7K 参数怎么做到打过 RNNoise（60K参数），并且打平甚至超过几百万参数的大模型的？” “如果让我从零设计，我能想到这些 trick 吗？我和作者之间差的是什么？” 那这篇文章可能对你有用。 我不打算把它写成论文复读机，那样毫无价值——论文你自己就能看。我想做的是 还原作者的思考路径：当他坐在工位上想"我要做一个能放在耳机里跑的降噪模型”，他第一步会想什么，第二步又怎么走到 ERB、ShuffleNet、DPRNN 这些组件上，每一个看起来很骚的设计背后到底解决的是什么实际问题。 读完这一系列，你应该能： 理解 GTCRN 每个模块解决的具体问题，而不是只记住名字； 看到一个新的 SE 模型时，能识别其中哪些是骨架、哪些是 trick； 在自己的项目里能做出取舍：什么时候上 attention、什么时候用 grouped conv、什么时候 CRM 不如 mag-mask。 阅读建议： ...