DTLN降噪训练好的模型。使用说明：https://github.com/GrayScaleHY/NS_DTLN

基于WLOP的PointCloudDenoiser：这是使用加权局部最优投影的点云降噪器

行业文档-设计装置-数字降噪听力保护微型耳机

摘要：随着社会工业生产的不断进步，各种噪声污染越来越严重。目前普遍采用的模拟降噪方法已不能满足要求，未来的研究将朝着以数字信号处理器及相关算法为技术支撑的数字降噪技术发展，其中一个重要应用则为数字降噪耳机的设计。数字降噪耳机设计主要是通过自适应滤波器来实现的。文中采用LMS 算法在MATLAB 中实现了自适应滤波器的设计与实现。在MATLAB 中建立了数字降噪耳机系统模型，并且针对该模型利用MATLAB 语言进行编程及C 语言编程。模型以及程序仿真结果表明此设计实现了对信号中混有的环境噪声进行降噪，并且效果远远高于模拟降噪技术。 　　1 引言 　　降噪耳机是降噪技术的一个重要应用。我国的降

使用小波变换和独立分量分析的ECG信号降噪

语音降噪模型训练PMSQE loss 对应pesq指标MOS分

一个运算量很小的C语言降噪算法，运算量小，从开源工程中提取出来的

提出了一种基于小波降噪与改进的符号内频域平均(ISFA)联合的相干光正交频分复用(CO-OFDM)系统信道估计方法。该方法利用最小二乘(LS)方法进行信道估计，并对估计后的结果进行小波去噪处理，最后采用Kaiser窗函数改进ISFA 算法对小波处理结果进行ISFA，完成联合去噪。仿真结果表明，该方法可以有效地提高信道估计精度。当光信噪比(OSNR)为17 dB时，该算法的误码性能(BER)比ISFA 算法的误码性能提高将近一个量级。

局部均值分解（Local Mean Decomposition，简称LMD）方法是一种新的自适应时频分析方法，并成功运用于滚动轴承故障诊断中，但对噪声比较敏感。为消除噪声对诊断结果的影响，提出了一种小波包降噪与LMD相结合的滚动轴承故障诊断方法。该方法首先利用小波包去除信号中的噪声，然后，进行LMD分解，并将分解后PF分量与分解前信号的相关系数作为判断标准，剔除多余低频PF分量，最后，选取有效PF集进行功率谱分析，提取故障特征。通过仿真数据和真实滚动轴承数据的故障诊断实验，其结果验证了该方法的有效性。

双信号转换LSTM网络 Tensorflow 2.x实施的堆叠式双信号转换LSTM网络（DTLN）用于实时噪声抑制。 该存储库提供了用于在python中训练，推断和服务DTLN模型的代码。 它还提供了SavedModel，TF-lite和ONNX格式的预训练模型，可用作您自己的项目的基准。 该模型能够在RaspberryPi上运行实时音频。 如果您正在使用此仓库做一些有趣的事情，请告诉我。 我总是对您使用此代码或该模型所做的事情感到好奇。 DTLN模型已提交给深度噪声抑制挑战（ ），并在INTERSPEech 2020上发表。 这种方法在少于一百万个参数的堆叠网络方法中结合了短时傅立