LBLouis Bahrman

Louis Bahrman

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Louis Bahrman has a total of 3 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Acoustics-aware hybrid deep neural dereverberation

    by Louis Bahrman

    Déréverbération neuronale profonde hybride sensible à l'acoustique: Cette thèse porte sur la modélisation de l'acoustique des salles dans les approches d'apprentissage profond pour la déréverbération. Les signaux audio enregistrés sont souvent altérés par des effets de réverbération dûs à la propagation du son dans l'espace, ce qui nuit à leur intelligibilité et leur qualité. Cependant, la plupart des approches d'apprentissage profond développées pour atténuer ces effets restent en grande partie opaques et difficilement interprétables d'un point de vue physique. Après avoir étudié la compatibilité des réseaux neuronaux profonds existants avec des modèles d'acoustique des salles, nous proposons deux méthodes d'hybridation afin d'introduire des contraintes physiques dans leur apprentissage. La première régularise la fonction de perte d'entraînement d'un réseau neuronal profond pour encourager des solutions physiquement plausibles, et la seconde s'appuie sur une formulation en maximum de vraisemblance du problème de déréverbération et consiste en une stratégie d'apprentissage non supervisée intégrant un modèle de réverbération dans un réseau neuronal.

  • U-DREAM: Unsupervised Dereverberation Guided by a Reverberation Model

    by Louis Bahrman, Marius Rodrigues, Mathieu Fontaine, Gaël Richard

    This paper explores the outcome of training state-of-the-art dereverberation models with supervision settings ranging from weakly-supervised to virtually unsupervised, relying solely on reverberant signals and an acoustic model for training. Most of the existing deep learning approaches typically require paired dry and reverberant data, which are difficult to obtain in practice. We develop instead a sequential learning strategy motivated by a maximum-likelihood formulation of the dereverberation problem, wherein acoustic parameters and dry signals are estimated from reverberant inputs using deep neural networks, guided by a reverberation matching loss. Our most data-efficient variant requires only 100 reverberation-parameter-labeled samples to outperform an unsupervised baseline, demonstrating the effectiveness and practicality of the proposed method in low-resource scenarios.