摘要

在近期的语音增强（Speech Enhancement, SE）研究中，Transformer及其变体已成为主流方法。然而，自注意力机制固有的二次时间复杂度在实际部署中带来一定限制。Mamba作为一种新型状态空间模型（State-Space Model, SSM），凭借其在建模长序列方面的强大能力以及相对较低的计算复杂度，已在自然语言处理和计算机视觉领域获得广泛应用。本文提出一种创新架构——Mamba-SEUNet，将Mamba与U-Net结构相结合，用于语音增强任务。该方法通过引入双向Mamba模块，分别建模不同分辨率下语音信号的前向与后向依赖关系，并结合跳跃连接以捕获多尺度特征信息，从而实现当前最优（State-of-the-Art, SOTA）性能。在VCTK+DEMAND数据集上的实验结果表明，Mamba-SEUNet在保持低计算复杂度的同时，取得了3.59的PESQ得分；当与感知对比度拉伸（Perceptual Contrast Stretching）技术相结合时，PESQ得分进一步提升至3.73。