@techreport{oai:ipsj.ixsq.nii.ac.jp:00189982,
 author = {高道, 慎之介 and 齋藤, 佑樹 and 高宗, 典玄 and 北村, 大地 and 猿渡, 洋 and Shinnosuke, Takamichi and Yuki, Saito and Norihiro, Takamune and Daichi, Kitamura and Hiroshi, Saruwatari},
 issue = {54},
 month = {Jun},
 note = {本稿では,deep neural network (DNN) に基づく振幅スペクトログラムからの位相復元について述べる.音声音響信号処理では振幅スペクトログラムに対する処理がしばしば行われ,その位相スペクトログラムは得られない場合が多い.これに対し Griffin-Lim 法は,無矛盾性に基づき振幅スペクトログラムから位相を復元するが,生成音声に対して不自然なアーティファクトをもたらす.この問題に対処するために,本論文では von Mises 分布 DNN を導入する.この DNN は,位相のような周期変数の確率密度関数である von Mises 分布を条件付き分布として有する深層生成モデルであり,そのモデルパラメータは最尤基準で学習される.我々は,これを振幅スペクトログラムからの位相復元に適用し,更に,推定された位相の群遅延を自然な群遅延に近づけるための DNN 学習基準を導入する.実験結果より,(1) DNN は,位相そのものより群遅延を高精度に推定できること,また,(2) 提案法は,従来の Griffin-Lim 法を超える音質を達成できることを示す.},
 title = {von Mises分布DNNに基づく振幅スペクトログラムからの位相復元},
 year = {2018}
}