Ernst Seidel, M.Sc.

DNN-gestützte akustische Stereokanal-Echokompensation

Art der studentischen Arbeit: Masterarbeit

Betreuer: Ernst Seidel

Abteilung: Signalverarbeitung und Machine Learning

Das Gebiet der akustischen Echokompensation (AEC) ist ein weithin erforschtes Thema. Ein besonderes Anwendungsgebiet, welches am Institut für Nachrichtentechnik erforscht wird, ist die Verwendung von klassischen Kalman-Filtern für die AEC in Stereokanälen. Kalman-Filter-Modelle sind in der Erhaltung der Near-end Sprachqualität ungeschlagen, verfügen aber nicht über die effektive Echounterdrückung anderer Ansätze. Da sich neuronale Netze in den letzten Jahren in der AEC bewährt haben, möchten wir ihre Anwendung als Postfilter (PF) für diese klassischen Kalman-Filter-Modelle untersuchen.

Voraussetzungen:
- Erfahrung mit der Programmierung mit Python und MATLAB
- Besuch der Vorlesung Mustererkennung und Grundlagen der Digitalen Signalverarbeitung oder vergleichbare Vorkenntnisse
- Vorkenntnisse im Bereich Sprachkommunikation (z.B. durch Besuch der instituts-eigenen Vorlesung)

Niedrig-latente tiefe adaptive Filter

Art der studentischen Arbeit: Masterarbeit

Betreuer: Ernst Seidel

Abteilung: Signalverarbeitung und Machine Learning

Sprachsignalverbesserung, wie Echokompensation oder Rauschunterdrückung, ist ein weiterforschtes Feld mit zahllosen praktischen Anwendungsfeldern. Solche Aufgaben erfordern oft schnelle Modelle mit geringem Rechenaufwand, um für kommerzielle Anwendungen geeignet zu sein. Zusätzlich dazu ist es für einige Bereiche wie etwa den Einsatz in Hörgeräten notwendig, die verursachte Latenz möglichst gering zu halten, um eine merkliche Verzögerung zwischen Gesehenem und Gehörtem zu vermeiden.
Am Institut für Nachrichtentechnik wird das Thema Sprachsignalverbesserung seit Jahren beforscht. Üblicherweise sind unsere Netze für den Betrieb unter weitaus weniger strengen Latenzkriterien ausgelegt und daher möglicherweise überhaupt nicht auf niedriglatente Anwendungen übertragbar. Daher wird es Teil dieser Arbeit sein, neben der Adaption bestehender Lösungen auch einen neuen Ansatz zu untersuchen. Dieser soll Koeffizienten eines simplen Zeitbereichsfilters mittels eines neuronalen Netzwerks schätzen.

Ziel dieser Arbeit ist die Schaffung eines Sprachsignalverbesserungssystems mit geringer Latenz und Komplexität. Abseits der Adaption existierender hochlatenter Modelle beinhaltet dies auch Forschung an völlig neuen Ansätzen, wodurch ein gewisses Maß an Literaturrecherche und Grundlagenforschung zu erwarten ist.

Voraussetzungen:
- Erfahrung mit der Programmierung mit Python und MATLAB
- Besuch der Vorlesung Mustererkennung und Grundlagen der Digitalen Signalverarbeitung oder vergleichbare Vorkenntnisse
- Vorkenntnisse im Bereich Sprachkommunikation (z.B. durch Besuch der instituts-eigenen Vorlesung)

Nutzergesteuerte maschinengelernte akustische Echokompensation

Art der studentischen Arbeit: Masterarbeit

Betreuer: Ernst Seidel

Abteilung: Signalverarbeitung und Machine Learning

In den letzten Jahren haben tiefe neuronale Netze (DNNs) immer mehr Erfolg im Bereich der akustischen Echounterdrückung erlangt. Derartige Modelle werden jedoch in der Regel offline trainiert und bieten keine Möglichkeit, die Aggressivität der Echounterdrückung während der Inferenz zu steuern. Da der gewünschte Kompromiss zwischen der Echounterdrückung und der Qualität des verbleibenden Near-end-Signals für jeden Benutzer unterschiedlich sein kann, soll eine solche Online-Kontrollfunktionen geschaffen werden.

Voraussetzungen:
- Erfahrung mit der Programmierung mit Python und MATLAB
- Besuch der Vorlesung Mustererkennung und Grundlagen der Digitalen Signalverarbeitung oder vergleichbare Vorkenntnisse
- Vorkenntnisse im Bereich Sprachkommunikation (z.B. durch Besuch der instituts-eigenen Vorlesung)