基于人体测量特征和空间无关潜在表示的头部相关传递函数个体化
声音
2025-08-25 v1 音频与语音处理
摘要
提出一种基于主体人体测量参数的头部相关传递函数（HRTF）个体化方法。由于测量成本高昂，许多HRTF数据集的受试者数量有限，甚至更少的包含人体测量参数。因此，基于深度神经网络（DNN）的HRTF个体化是一个具有挑战性的任务。我们提出的HRTF个体化方法利用通过自监督自编码器（以声源位置为条件）获取的HRTF幅值潜在表示，使得能够将来自不同测量声源位置的多个HRTF数据集进行组合，并通过减少需从人体测量参数估计的参数数量，使网络训练变得可行。实验评估表明，与当前基于DNN的方法相比，所提方法实现了高估计精度。
引用
@article{arxiv.2508.16176,
title = {Head-Related Transfer Function Individualization Using Anthropometric Features and Spatially Independent Latent Representation},
author = {Ryan Niu and Shoichi Koyama and Tomohiko Nakamura},
journal= {arXiv preprint arXiv:2508.16176},
year = {2025}
}
备注
Accepted to IEEE Workshop on Applications of Signal Processing to Audio and Acoustics (WASPAA) 2025