面向房间脉冲响应重构的Deep Prior神经网络低秩适应方法
音频与语音处理
2025-07-15 v1 声音
摘要
Deep Prior框架已成为一种强大的生成工具，可用于从稀疏压力测量数据重建声场。它采用仅基于一小部分可用数据训练的神经网络，作为隐式先验，指导底层优化问题的求解。然而，Deep Prior方法的一个显著局限是其无法泛化到新的声学配置，例如声源位置的变化。因此，必须为每种新配置从头重新训练网络，这既计算密集又耗时。为此，我们研究了通过低秩适应（LoRA）实现Deep Prior中的迁移学习，这通过引入可训练参数的低秩分解，使神经网络能够以最小的计算开销适应新的测量集合。我们将LoRA嵌入基于MultiResUNet的Deep Prior模型，并将其适应性能与对所有参数的完整微调以及经典重新训练进行比较，尤其是在仅使用有限数量麦克风的情况下。结果表明，无论是完全微调还是通过LoRA，微调在声源位置唯一变化参数的情况下尤为有益，能够保持高水平的物理保真度，凸显了迁移学习在声学应用中的价值。
引用
@article{arxiv.2507.09806,
title = {Low-Rank Adaptation of Deep Prior Neural Networks For Room Impulse Response Reconstruction},
author = {Mirco Pezzoli and Federico Miotello and Shoichi Koyama and Fabio Antonacci},
journal= {arXiv preprint arXiv:2507.09806},
year = {2025}
}
备注
to appear in IEEE WASPAA