尹甜甜，刘 婷，郭一娜

(太原科技大学 电子信息工程学院，太原 030024)

1 引 言

在出土文物中，经常会出现古汉字的遮挡与损失现象，手工复原无法完成，文字内容成谜，而单通道盲去卷积旨在从单通道卷积混合信号中分离和解卷积源信号[1]，在图像，语音，音频的去噪和修复中都有重要研究意义.在仅有一张古汉字与遮挡的混合图像时，即仅有单通道的混合物可用，此时，没有关于混合矩阵的先验知识，源古汉字图像信号和混合矩阵都需要估计[2]，传统的源分离方法分为基于分解的方法和基于回归的方法，许多基于分解的方法都是较为简单的模型，例如非负矩阵分解法(Nonnegative Matrix Factorization，NMF)和独立成分分析法(Independent Component Correlation Algorithm，ICA)，这种方法通常用一种解线性方程组的方式求解源信号，仅解决线性混合问题，而与神经网络相比，这些简单模型并没有足够的能力表示各种源信号.基于回归的方法则通过深度神经网络能够对复杂的映射关系进行建模，但是需要混合矩阵与源信号进行训练，如果测试数据中的混合矩阵与训练数据中的混合矩阵分布不同，由于在测试数据中看不到混合矩阵类型，导致分离效果不佳[3].

在最近关于单通道盲去卷积的研究中，Stoller[4]、Subakan 和Smaragdis[5]、Fan[6]等人都先后提出使用生成对抗网络(Generative Advesarial Network，GAN)来解决源分离问题，但这些方法都假定已知单通道盲去卷积问题中的混合矩阵.针对此类问题，本文提出一种基于深度卷积生成对抗网络的单通道盲去卷积算法(DCSS)，与传统的基于……