基于物理信息的近场声学全息声源重建迁移学习
音频与语音处理
2025-07-16 v1 声音
摘要
我们提出一种用于近场声学全息（NAH）声源重建的迁移学习框架，通过基于物理信息的程序将一种类型声源训练的模型迁移到另一种类型。该框架包含两个阶段：（1）在大型数据集上对复数卷积神经网络（CV-CNN）进行监督预训练；（2）基于 Kirchhoff-Helmholtz 积分进行纯物理信息微调。该方法遵循迁移学习原则，通过物理信息适应实现跨不同数据集的泛化。通过将预训练模型从矩形板数据集迁移到小提琴顶板数据集验证，其显示出比预训练模型更准确的重建精度，性能相当于压缩等效源方法（C-ESM）。此外，对于成功的模态，微调后的模型在精度上超过了预训练模型和 C-ESM。
引用
@article{arxiv.2507.11070,
title = {Physics-Informed Transfer Learning for Data-Driven Sound Source Reconstruction in Near-Field Acoustic Holography},
author = {Xinmeng Luan and Mirco Pezzoli and Fabio Antonacci and Augusto Sarti},
journal= {arXiv preprint arXiv:2507.11070},
year = {2025}
}
备注
to appear in IEEE WASPAA 2025