通过平滑激活函数减少神经放大器建模中的混叠
音频与语音处理
2025-06-27 v2 声音
信号处理
摘要
对模拟音频硬件（如老式电子管吉他放大器）进行高质量数字仿真的需求日益增长，催生了大量基于神经网络的黑箱建模工作，其中 WaveNet 等深度学习架构显示出有希望的结果。然而，所有这些模型的一个关键限制是源于神经网络中非线性激活函数的混叠伪影。在本文中，我们研究了旨在减轻神经放大器模型内混叠的新型及改进型激活函数。为此，我们引入了一个新的度量标准——混叠信号比（ASR），它能高精度地定量评估混叠水平。同时测量传统的误差信号比（ESR），我们对一系列现有的和现代的、具有不同拉伸因子的激活函数进行了研究。我们的发现证实，具有更平滑曲线的激活函数倾向于获得更低的 ASR 值，表明混叠显著减少。值得注意的是，这种混叠减少的改进是在 ESR 没有显著增加的情况下实现的，这证明了在神经放大器模型中实现高建模精度同时减少混叠的潜力。
引用
@article{arxiv.2505.04082,
title = {Aliasing Reduction in Neural Amp Modeling by Smoothing Activations},
author = {Ryota Sato and Julius O. Smith},
journal= {arXiv preprint arXiv:2505.04082},
year = {2025}
}
备注
Accepted to DAFx 2025