基于图神经网络提升全息测量重建质量用于HRTF合成
音频与语音处理
2025-10-06 v1
摘要
传统的头相关传递函数（HRTF）获取方法依赖于专业设备和声学技术，存在可及性挑战。或者可以使用高分辨率3D建模，通过边界元法等方法对HRTF进行数值合成。然而，高成本和有限的先进3D扫描仪可用性限制了其适用性。全息测量（Photogrammetry）被提出作为生成3D头部网格的解决方案，尽管其分辨率限制使其难以用于HRTF合成。为克服这些限制，本研究探讨了使用图神经网络（GNN）结合神经细分技术，对低分辨率全息测量重建网格进行升频处理，以生成高分辨率网格，用于合成个体HRTF。使用Apple全息测量API处理SONICOM数据集中的全息测量数据，以构建低分辨率头部网格。随后，使用基于赫素距离的损失函数，将该数据集中的配对低-高分辨率网格用于训练GNN，将低分辨率输入升频为高分辨率输出。对未使用的全息测量数据进行几何验证，并通过Mesh2HRTF合成的HRTF进行验证。合成HRTF被评估为来自高分辨率3D扫描、声学测量的HRTF以及KEMAR HRTF，采用感知相关的数值分析以及行为实验，包括局部定位和空间遮蔽释放（SRM）任务。
引用
@article{arxiv.2510.02813,
title = {Enhancing Photogrammetry Reconstruction For HRTF Synthesis Via A Graph Neural Network},
author = {Ludovic Pirard and Katarina C. Poole and Lorenzo Picinali},
journal= {arXiv preprint arXiv:2510.02813},
year = {2025}
}
备注
Accepted for poster presentation at Forum Acusticum Euronoise 2025, Malaga, Spain