BiFormer3D：基于空间编码 Transformer 的无网格头相关脉冲响应时域重建
音频与语音处理
2026-03-31 v1 机器学习
摘要
个体化的头相关脉冲响应（HRIRs）可实现立体声渲染，但密集的逐监听者测量成本高昂。我们解决 HRIR 从稀疏监听者测量进行空间上采样的问题：给定几个测量的 HRIRs 用于监听者，预测在未测量目标方向上的 HRIRs。先前的学习方法常在频域工作，依赖最小相位假设或使用固定方向网格，这会降低时域保真度和空间连续性。我们提出 BiFormer3D，一个时域、无网格的立体声 Transformer，用于从稀疏输入在任意方向上重建 HRIRs。它使用正弦空间特征、Conv1D 细化模块和辅助 interaural time difference（ITD）和 interaural level difference（ILD）头。在 SONICOM 上，它在 normalized mean squared error（NMSE）、余弦距离和 ITD/ILD 误差方面优于先前方法；消融实验验证了各模块的有效性，表明最小相位预处理是不必要的。
引用
@article{arxiv.2603.27998,
title = {BiFormer3D: Grid-Free Time-Domain Reconstruction of Head-Related Impulse Responses with a Spatially Encoded Transformer},
author = {Shaoheng Xu and Chunyi Sun and Jihui Zhang and Amy Bastine and Prasanga N. Samarasinghe and Thushara D. Abhayapala and Hongdong Li},
journal= {arXiv preprint arXiv:2603.27998},
year = {2026}
}
备注
The paper was submitted for review to Interspeech 2026