这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
1. 主要作者与机构
本研究由Junyu Wang（天津大学智能与计算学院）、Zizhen Lin（四川大学电子信息学院）、Tianrui Wang、Meng Ge、Longbiao Wang（天津大学智能与计算学院/慧言科技（天津）有限公司）和Jianwu Dang（中国科学院深圳先进技术研究院）合作完成。研究以预印本形式提交至*Speech Communication*期刊，计划于2025年9月30日发表，预印本编号为arXiv:2509.23832v1。
2. 学术背景
研究领域：单通道语音增强（monaural speech enhancement），属于语音信号处理领域。
研究动机：当前语音增强模型面临两大挑战：
- 高性能模型通常依赖高参数量（如>64输入通道）和复杂计算，难以在资源受限场景（如嵌入式设备）部署；
- 现有方法在全局建模（如Transformer）和局部细节捕捉（如CNN）的协同优化上存在不足。
科学问题：如何设计轻量级架构，同时实现高效的全局-局部特征建模？
研究目标：提出LORT（Locally Refined Convolution and Taylor Transformer）模型，通过融合泰勒变换器（Taylor Transformer）与局部细化卷积（Locally Refined Convolution, LRC），在低参数量（0.96M）下达到SOTA性能。
3. 研究方法与流程
3.1 模型架构
LORT基于U-Net编码器-解码器结构，核心创新包括：
- 空间-通道增强泰勒注意力（SCEA）：
- 分支1：泰勒多头自注意力（T-MSA），通过一阶泰勒展开近似Softmax，将计算复杂度从O(T²F²d)降至O(TFd²)，其中T、F为时频维度，d为隐藏层维度。
- 分支2：空间-通道增强注意力（SCEA），通过2D池化+1D卷积（通道分支）和1D池化+5×5卷积（空间分支）增强跨通道信息交换。
- 局部细化卷积块（LRC）：
- 包含卷积前馈网络（CFN）和时频密集局部卷积（TF-DLC），通过门控单元和残差连接捕获细粒度局部特征。
3.2 实验设计
- 数据集：
- VCTK+DEMAND：12,396条语音，SNR 0-15dB（训练集10类噪声，测试集5类噪声）。
- DNS Challenge 2020：50,000条训练样本（SNR -5~15dB均匀分布），5,000条测试样本（固定SNR点）。
- 基线模型：对比TSTNN、DCCRN、CMGAN等6种SOTA模型，并调整MP-SENet和MUSE的参数量至1M左右（MP-SENet (s)和MUSE (l)）。
- 评估指标：PESQ（语音质量）、STOI（可懂度）、MOS（CSIG/CBAK/COVL）及计算量（FLOPs）。
3.3 损失函数
复合损失函数联合优化幅度、复数谱、相位和对抗损失：
- 幅度损失（Lmag）：L2距离；
- 相位损失（Lpha）：结合群延迟（GD）、瞬时角频率（IAF）和瞬时相位（IP）；
- 对抗损失（Lg/Ld）：以PESQ为监督的判别器优化。
4. 主要结果
4.1 性能对比
- VCTK+DEMAND：LORT以0.96M参数取得PESQ 3.51、CSIG 4.74、COVL 4.23，优于参数量更大的MP-SENET（2.05M参数，PESQ 3.50）和轻量级MUSE（0.51M参数，PESQ 3.37）。
- DNS Challenge：在-5dB低信噪比下，LORT的PESQ（2.26）比MP-SENET高0.11，STOI达89.0%；在工厂噪声中，PESQ（2.55）显著优于MUSE (l)（2.25）。
4.2 消融实验
- 移除SCEA导致PESQ下降0.07，验证其全局建模价值；
- 替换LRC为普通卷积使COVL降低0.04，证明TF-DLC对局部细节的关键作用。
4.3 计算效率
LORT仅需16.83G FLOPs（2秒语音），较MP-SENET（74.29G FLOPs）降低77%。
5. 结论与价值
科学价值：
- 提出T-MSA与SCEA的协同机制，解决泰勒变换器在空间注意力上的局限性；
- 通过LRC块实现局部-全局特征的高效融合，为轻量级语音增强提供新范式。
应用价值：
- 适用于实时通信、助听器等资源受限场景，模型大小仅为0.96MB，可部署于边缘设备。
6. 研究亮点
- 算法创新：首次将泰勒展开与空间-通道注意力结合，降低Transformer计算复杂度；
- 性能突破：以1/2参数量超越SOTA模型，在DNS Challenge的-5dB噪声下PESQ提升5.1%；
- 开源贡献：代码与预训练模型将公开，推动轻量级语音增强研究。
7. 其他价值
- 提出的复合损失函数可推广至其他时频域任务（如去混响）；
- 实验证明STFT跳幅（hop size）为100时最优，为相关研究提供参数设计参考。
此研究为语音增强领域提供了高效、可扩展的解决方案，其方法论对信号处理与深度学习交叉研究具有启发意义。