为了清楚起见，我可以将幅度系数算法的重建总结如下，我采用了本文的算法。（见实验 1）。

取一个随机输入信号，它可能是噪声。并将 STFT 的大小表示为. 表示为 STFT 运算符。$x$$|Y|$$S$

迭代地，您必须执行以下步骤，

1. 执行$X = S(x)$
2. 计算$Z = |Y| \exp(i \angle X)$
3. $x = S^{-1}(Z)$

通常做的一件事（例如在源分离社区中）是使用原始信号的相位数据（在应用到它的变换之前） - 结果比零相位或随机相位好得多，并且与算法的目标相差不远从头开始重建相位信息。

一个经典的重建算法是 Griffin&Lim 的，在论文“Signal estimation from modified short-time Fourier transform”中进行了描述。这是一个迭代算法，每次迭代都需要一个完整的 STFT / 逆 STFT，这使得它的成本相当高。

这个问题确实是一个活跃的研究领域，对 STFT + 重建 + 幅度的搜索将产生大量旨在提高 Griffin&Lim 在信号质量和/或计算效率方面的论文。

要（重新）创建包含比现有信息更多的信息内容的信号，必须做出一些假设。构建过程只会与假设的正确性一样好。

如果您假设原始信号是频谱稀疏的，并且频谱图是从具有已知恒定偏移的帧创建的，那么峰值插值和相邻帧之间那些插值频谱峰值产生的瞬态最小化可以用作“反相声码器”估计器帧之间的相位变化。您将需要一个开始阶段；但任意可能有效。