缓解跨数据库差异以学习统一的HRTF表示

个性化头相关传输函数（HRTFs）对于虚拟听觉显示中的精准声定位至关重要。由于 HRTF 的声学测量耗费资源，利用机器学习模型预测个性化 HRTF 是一种有前景的规模化途径。训练此类模型需要跨多个数据库的统 HRTF 表示，以利用各自有限的样本。然而，除空间采样位置差异外，近期研究表明，即便对于共同位置，跨数据库的 HRTF 也呈现一致差异，使得轻易分辨其所属数据库。这为跨数据库学习统一 HRTF 表示带来重大挑战。本工作中，我们首先辨识这些跨数据库差异的可能成因，将其归因于测量装置的变化。随后，我们提出一种跨数据库归一化 HRTF 频率响应的新方法。我们表明，归一化后来自不同数据库的 HRTF 无法按数据库被分类。我们进一步表明，这些归一化 HRTF 可用于学习比现有方法更统一的跨数据库 HRTF 表示。我们相信该归一化方法为众多数据密集的 HRTF 建模任务铺平了道路。