guest ::
| 001 | 1022044 | ||
| 005 | 20260112115543.0 | ||
| 020 | _ | _ | |a 978-3-8191-0312-4 |
| 020 | _ | _ | |a 9783819103124 |
| 024 | 7 | _ | |2 HBZ |a HT031364748 |
| 024 | 7 | _ | |2 Laufende Nummer |a 44753 |
| 024 | 7 | _ | |2 SWB |a SWB:1936771454 |
| 024 | 7 | _ | |2 datacite_doi |a 10.18154/RWTH-2025-09844 |
| 037 | _ | _ | |a RWTH-2025-09844 |
| 041 | _ | _ | |a English |
| 082 | _ | _ | |a 621.3 |
| 100 | 1 | _ | |0 P:(DE-82)IDM05189 |a Thieling, Lars-Hendrik |b 0 |u rwth |
| 245 | _ | _ | |a Phase-Aware spectral speech enhancement using deep learning techniques |c Lars-Hendrik Thieling |h online, print |
| 260 | _ | _ | |a Aachen |b Shaker Verlag |c 2025 |
| 260 | _ | _ | |c 2026 |
| 300 | _ | _ | |a x, 173 Seiten : Illustrationen |
| 336 | 7 | _ | |0 2 |2 EndNote |a Thesis |
| 336 | 7 | _ | |0 PUB:(DE-HGF)11 |2 PUB:(DE-HGF) |a Dissertation / PhD Thesis |b phd |m phd |
| 336 | 7 | _ | |0 PUB:(DE-HGF)3 |2 PUB:(DE-HGF) |a Book |m book |
| 336 | 7 | _ | |2 BibTeX |a PHDTHESIS |
| 336 | 7 | _ | |2 DRIVER |a doctoralThesis |
| 336 | 7 | _ | |2 DataCite |a Output Types/Dissertation |
| 336 | 7 | _ | |2 ORCID |a DISSERTATION |
| 490 | 0 | _ | |a Aachen series on communication systems |v 7 |
| 500 | _ | _ | |a Druckausgabe: 2025. - Zweitveröffentlicht auf dem Publikationsserver der RWTH Aachen University 2026 |
| 502 | _ | _ | |a Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025 |b Dissertation |c Rheinisch-Westfälische Technische Hochschule Aachen |d 2025 |g Fak06 |o 2025-05-08 |
| 520 | 3 | _ | |a Im Alltag ist Sprache häufig Hintergrundgeräuschen, Nachhall, Echo oder Paketverlusten ausgesetzt. Diese Störungen beeinträchtigen die Qualität und Verständlichkeit der Sprache und erschweren somit die Kommunikation. Sprachverbesserungsansätze zielen darauf ab, die negativen Auswirkungen dieser Störungen zu verringern, indem sie die wahrgenommene Qualität und Klarheit der Sprache verbessern. Diese Dissertation befasst sich mit dem aufstrebenden Gebiet der phasenbewussten Sprachverbesserung, die herkömmliche amplitudenbasierte Methoden durch die zusätzliche Verarbeitung des oft vernachlässigten Phasenspektrums erweitert. Es werden neuartige Konzepte für Deep-Learning-basierte Ansätze vorgeschlagen und evaluiert, wobei ein besonderer Schwerpunkt auf der Phasenschätzung und ihrer Integration in die Sprachverbesserung liegt. Neben theoretischen Untersuchungen, die das Potenzial der Phasenverarbeitung hervorheben, werden Methoden zur Phasenschätzung mit tiefen neuronalen Netzen vorgestellt und Strategien zur gemeinsamen Optimierung der Amplituden- und Phasenschätzung vorgeschlagen. Objektive Bewertungsmaße und subjektive Hörversuche bestätigen die Wirksamkeit der vorgeschlagenen Ansätze und unterstreichen ihre Relevanz für die nächste Generation von Sprachverbesserungssystemen. |l ger |
| 520 | _ | _ | |a In everyday environments, speech is often degraded by background noise, reverberation, echo, or transmission losses. These distortions reduce quality and intelligibility, impairing communication. Speech enhancement techniques aim to overcome these challenges by improving the perceptual quality and clarity of speech under adverse conditions. This dissertation advances the emerging field of phase-aware speech enhancement, which extends conventional magnitude-based methods by also processing the often-overlooked phase spectrum. Novel concepts for deep learning-based approaches are proposed and evaluated, with a particular focus on phase estimation and its integration into speech enhancement. Beyond theoretical investigations that highlight the potential of phase processing, methods for estimating the phase with deep neural networks are introduced, and strategies for jointly optimizing magnitude and phase estimation are proposed. Objective measures and subjective listening experiments confirm the effectiveness of the proposed approaches, underlining their relevance for the next generation of speech enhancement systems. |l eng |
| 588 | _ | _ | |a Dataset connected to SWB |
| 591 | _ | _ | |a Germany |
| 653 | _ | 7 | |a deep learning |
| 653 | _ | 7 | |a phase estimation |
| 653 | _ | 7 | |a speech enhancement |
| 700 | 1 | _ | |0 P:(DE-82)IDM01628 |a Jax, Peter |b 1 |e Thesis advisor |u rwth |
| 700 | 1 | _ | |0 P:(DE-82)018197 |a Fingscheidt, Tim |b 2 |e Thesis advisor |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1022044/files/1022044_ZV.pdf |y OpenAccess |
| 909 | C | O | |o oai:publications.rwth-aachen.de:1022044 |p openaire |p open_access |p VDB |p driver |p dnbdelivery |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM05189 |a RWTH Aachen |b 0 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM01628 |a RWTH Aachen |b 1 |k RWTH |
| 914 | 1 | _ | |y 2025 |
| 915 | _ | _ | |0 StatID:(DE-HGF)0510 |2 StatID |a OpenAccess |
| 920 | 1 | _ | |0 I:(DE-82)613310_20140620 |k 613310 |l Lehrstuhl und Institut für Kommunikationssysteme |x 0 |
| 980 | 1 | _ | |a FullTexts |
| 980 | _ | _ | |a I:(DE-82)613310_20140620 |
| 980 | _ | _ | |a UNRESTRICTED |
| 980 | _ | _ | |a VDB |
| 980 | _ | _ | |a book |
| 980 | _ | _ | |a phd |
| Library | Collection | CLSMajor | CLSMinor | Language | Author |
|---|