用于 HRTF 去噪与上采样的机器学习方法
声音
2026-01-26 v1 机器学习
摘要
对逼真的虚拟沉浸式音频的需求持续增长，其中头相关传递函数（HRTF）发挥着关键作用。HRTF 捕获声音到达人耳的方式，反映独特的解剖特征并增强空间感知。已有研究表明，个性化 HRTF 可以提高定位精度，但其测量仍然耗时且需要无噪声环境。尽管机器学习已被证明可以减少所需的测量点数从而减少测量时间，但受控环境仍然是必要的。本文提出了一种方法，通过提出一种能够对稀疏、含噪的 HRTF 测量进行上采样的新技术来解决这一限制。所提出的方法结合了用于去噪的 HRTF Denoisy U-Net 和用于从三个测量点进行上采样的自编码生成对抗网络（AE-GAN）。所提出的方法实现了 5.41 dB 的对数谱失真（LSD）误差和 0.0070 的余弦相似度损失，证明了该方法在 HRTF 上采样中的有效性。
引用
@article{arxiv.2504.17586,
title = {A Machine Learning Approach for Denoising and Upsampling HRTFs},
author = {Xuyi Hu and Jian Li and Lorenzo Picinali and Aidan O. T. Hogg},
journal= {arXiv preprint arXiv:2504.17586},
year = {2026}
}