基于深度学习从房间几何与材料特性预测能量衰减曲线
摘要
准确预测能量衰减曲线（EDC）能够实现对房间声学的稳健分析以及对关键参数的可靠估计。本文提出了一个直接从房间几何形状和表面吸声系数预测 EDC 的深度学习框架。我们合成了一个包含 6000 个具有真实尺寸、声源-接收器位置以及频率相关壁面吸声系数的鞋盒型房间数据集。对于每种配置，我们使用 Pyroomacoustics 模拟房间脉冲响应（RIR）并计算目标 EDC。将归一化的房间特征输入到长短期记忆（LSTM）网络中，将配置映射到 EDC。性能通过随时间变化的平均绝对误差（MAE）和均方根误差（RMSE）进行评估。我们进一步从预测和目标 EDC 中推导出早期衰减时间（EDT）、混响时间（T20）和清晰度指数（C50）；观察到良好的一致性（例如，EDT MAE 为 0.017 s，T20 MAE 为 0.021 s）。该方法在不同房间中具有良好的泛化能力，并支持用于早期设计和实时应用的高效房间声学建模。
引用
@article{arxiv.2509.24769,
title = {Deep Learning-Based Prediction of Energy Decay Curves from Room Geometry and Material Properties},
author = {Imran Muhammad and Gerald Schuller},
journal= {arXiv preprint arXiv:2509.24769},
year = {2025}
}
备注
Submitted to ICASSP 2026. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component