基于深度优化的汽车声场再现：引入时域约束

在声音质量保持无失真且空间定位精确的前提下，汽车音频系统的声场再现是理想的目标。然而，汽车舱内声学环境的复杂性往往导致声音质量与空间精度之间存在权衡。为克服这一限制，我们提出了一种基于学习的声场再现方法——空间功率图网络（Spatial Power Map Net, SPMnet），以提升复杂环境下的声音质量和空间定位能力。我们引入了空间功率图（Spatial Power Map, SPM）约束，该约束通过波束成形来刻画再现声场的角向能量分布，从而引导能量指向预期方向以增强空间定位，并集成到多通道均衡框架中以提升在混响环境下的声音质量。为解决由此引起的非凸问题，我们采用深度优化技术，即利用神经网络求解优化问题，用于滤波器设计。实验中的现场客观评估和主观评估均确认，我们的方法在汽车舱内提升了声音质量并改善了空间定位。此外，我们还分析了不同音频材料及虚拟声源来达角度对再现声场影响的因素，探讨了这些结果潜在影响因素。