本文探讨了音频增强这一广泛领域的子话题——音乐音频带宽扩展。我们利用深度神经网络对带宽扩展问题进行了建模，其中输入为带限信号，目标是重建全带宽输出。我们的主要贡献在于研究了低通滤波器的选择在训练和测试网络时的影响。对于两种不同的先进深度架构，即残差网络（ResNet）和U-Net，我们展示了当训练和测试所用的滤波器匹配时，可以实现高达7 dB的信噪比（SNR）提升。然而，当这些滤波器不匹配时，信噪比的提升显著下降，并且在某些训练条件下甚至低于带限输入的信噪比。为了克服这种明显的对滤波器形状的过拟合问题，我们提出了一种数据增强策略，在训练过程中使用多种低通滤波器，从而在测试时对未知的滤波条件具有更好的泛化能力。