基于超条件特征学习仿射变换的全局 HRTF 插值
音频与语音处理
2022-11-04 v2 声音
摘要
估计任意源点的头部相关传输函数（HRTF）在沉浸式双耳音频渲染中至关重要。计算个体的 HRTF 颇具挑战，因为传统方法需要昂贵的时间和计算资源，而现代数据驱动方法则极度依赖数据。尤其对于数据驱动方法，现有 HRTF 数据集的源位置空间采样分布不同，这给跨多个数据集的方法泛化带来重大问题。为缓解此问题，我们提出一种基于新颖条件架构的深度学习方法。所提方法可通过插值已知分布的 HRTF 来预测任意位置的 HRTF。实验结果表明，该架构提升了模型跨不同坐标系数据集的泛化能力。进一步演示表明，该模型在定量和感知度量上均能由空间下采样的 HRTF 稳健重建目标 HRTF。
引用
@article{arxiv.2204.02637,
title = {Global HRTF Interpolation via Learned Affine Transformation of Hyper-conditioned Features},
author = {Jin Woo Lee and Sungho Lee and Kyogu Lee},
journal= {arXiv preprint arXiv:2204.02637},
year = {2022}
}
备注
Submitted to ICASSP 2023