论文分析：
一、引言
经典的语音增强（speech enhancement）方法有谱减法（spectral subtraction）、维纳滤波（Wiener filtering）、统计模型（statistical model-based methods）和子空间算法（subspace algorithms）。
论文结合GAN网络提出了SEGAN，并通过实验发现，SEGAN主要优势有以下三点：
1、提供一个快速语音增强过程，没有因果关系是必要的，因此没有像RNN那样的递归操作。
2、它基于原始音频做处理，没有提取特征，因此没有对原始数据做出明确的假设。
3、从不同的说话人和噪声类型中学习，并将他们合并到相同的共享参数中，这使得系统在这些维度上变得简单和一般化。
二、Generative Adversarial Networks
论文的第二部分，是介绍GAN的，如果有GAN的基础可以跳过这一节。GAN网络是一种对抗模型，可以将样本服从Z分布的样本映射到服从X分布的x。
关于GAN的更多解释：
有人说GAN强大之处在于可以自动的学习原始真实样本集的数据分布。为什么大家会这么说。
对于传统的机器学习方法，我们一般会先定义一个模型让数据去学习。(比如：假设我们知道原始数据是高斯分布的，只是不知道高斯分布的参数，这个时候我们定义一个高斯分布，然后利用数据去学习高斯分布的参数，最终得到我们的模型)，但是大家有没有觉得奇怪，感觉你好像事先知道数据该怎么映射一样，只是在学习模型的参数罢了。
GAN则不同，生成模型最后通过噪声生成一个完整的真实数据(比如人脸），说明生成模型已经掌握了从随机噪声到人脸数据的分布规律。有了这个规律，想生成人脸还不容易，然而这个规律我们事先是不知道的，我们也不知道，如果让你说从随机噪声到人脸应该服从什么分布，你不可能知道。这是一层层映射之后组合起来的非常复杂的分布映射规律。然而GAN的机制可以学习到，也就是说GAN学习到了真实样本集的数据分布。
三、Speech Enhancement GAN 以及 实验步骤
整个网路全部是由CNN组成，下图是生成器G，他是一个encooder-decoder。D的结构是encoder，上面接了一个降维层。将8*1024个参数降维8个。
encoder由步长为2的1维卷积层构成。16384×1, 8192×16, 4096×32, 2048×32, 1024×64, 512×64, 256×128, 128×128, 64×256,32×256, 16×512, and 8×1024。
图二：生成器，encoder-decoder
至于SEGAN训练，其实跟普通的GAN很类似，如下图所示，先训练一个判别器D，D的输入为纯净信号和经过生成器增强后的信号。然后在固定判别器，改变生成器G的参数。
言语强化训练。虚线代表梯度反向支柱。
其中，有一点，在初步实验中，我们发现在G的损失中增加一个次要成分是很方便的，以便将它的世代与干净的例子之间的距离减至最小。 为了测量这种距离，我们选择了L1范数，因为它已被证明在图像处理领域有效。
最终G的损失函数如下所示：
四、结果
分为客观和主观评价两个部分。
4.1 客观评价
客观评价有以下几个指标，都是越大越好：
PESQ: Perceptual evaluation of speech quality, using the wide-band version recommended in ITU-T P.862.2 (from –0.5 to 4.5).
主观语音质量评估，虽然叫主观，实际还是个客观的值。
CSIG: Mean opinion score (MOS) prediction of the signal distortion attending only to the speech signal(from 1 to 5).
CBAK: MOS prediction of the intrusiveness of background noise (from 1 to 5).
COVL: MOS prediction of the overall effect(from 1 to 5).
SSNR: Segmental SNR (from 0 to ∞).
可以看到，SEGAN在PESQ指标上表现稍微差一点。在所有其他指标上，这些指标更与语音失真有关系，SEGAN都比wiener更好。SEGAN产生更少的语音失真（CSIG）和移除噪声更有效（CBAK和SSNR）。所以，SEGAN能在二者之间取得更好的权衡。
4.2 主观评价
主观描述，就是一段音频，给出它原始音频、wiener处理的音频、segan处理后的音频，不显示具体哪个对应哪个，让被测试者打分，1-5之间，分数越高代表越好。 16个测试者，20个句子。效果如下图。
五、总结
在这项工作中，端对端语音增强方法已经在生成对抗框架内实施。该模型使用编码器-解码器完全卷积结构，使得它能够快速操作来对波形块进行去噪。 结果表明，不仅该方法是可行的，而且它也可以作当前方法的有效替代。