UnivNet论文分析（20210615）

面对问题：

1.大部分声码器采用带限mel谱生成波形，此时没有高频信息；
2.如果将高频信息输入，又会导致过平滑问题，频谱不够清晰；【个人可能原因是网络处理不好】

本文尝试采用判别器解决该问题，可保证高频细节。

本文方案：

1.提了采用LVC（局部变量卷积）核的生成器架构；

2.提了输入为频谱的判别器结构；

生成器：

输入为mel谱和随机噪声。

LVC的核由核预测器确定，实现高效的局部信息捕捉。LVC在参考文献[14]提出。

GAU[24]：增强非线性能力；

判别器架构：

上面为所提频域判别器（包括不同参数配置的stft）。下面为hifigan的mpwd。

采用mpwd的目的是改善时域细节。

训练loss:

采用GANloss和重构loss

实验结果

消融实验：

总的看来，MRSD/MPWD的影响大于LVC和GAU;还是训练方法影响大
MPWD：影响最大，0.77分；加上MSWD效果更差了？

图3结果表明：
当去除MRSD后，频谱会导致过平滑，特别是高频；那就是频域的MRSD，可以解决频谱平滑现象；

下表中，据说parallel wavegan的打分较低，且有可听见的金属音：