利用状态空间模型的跨频带与子带处理改进语音增强

基于摘要分析。本文研究语音增强中状态空间模型（SSM）对不同子带特征适配不足、低能量高频信息易被遗忘的问题，提出 Cross- and Sub-band Mamba（CSMamba），通过子带独立建模与跨频带频谱恢复改善增强后的语音表示。 核心机制包括两个模块：band split block 根据信息相似性，将全频带划分为四个宽度不同的子带，并为各子带配置独立权重，以适应频带间的特征差异；spectrum restoration block 从多个角度增强跨频带特征表示，旨在缓解 SSM 对低能量高频信息的遗忘。摘要未说明频带边界如何确定、独立权重的具体配置，以及恢复模块的结构、损失函数和训练流程，这些细节尚未验证。 作者报告，在 DNS Challenge 2021 数据集的语音增强实验中，CSMamba 以更少参数在三项客观评价指标上优于若干被作者称为 SOTA 的方法。摘要未提供指标名称、具体数值、参数量、对照方法及数据划分，因此尚不能判断各项改进幅度或比较条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 方法设计参考的是“频带差异化参数配置与跨频带信息补偿”机制，而非语音增强效果本身。该机制依赖具有频带结构的时频表示，原研究的监督形式和训练规模尚未验证。迁移时可考虑复用子带独立建模思路，但需重新确定 EEG 频带划分、通道融合方式和任务目标；低信噪比下的高频恢复可能同时放大肌电等伪迹，独立子带参数也可能在小数据条件下过拟合，并受跨被试频谱差异影响。一个可检验的小实验是在固定数据划分与相近参数预算下，对比共享 SSM、子带独立 SSM，以及加入跨频带恢复模块的版本，观察任务性能与高频伪迹敏感性。已有 EEG 相关工作尚未检索确认。