基于带残差连接的深层物理信息神经网络的房间脉冲响应空间插值
音频与语音处理
2026-02-19 v2
摘要
房间脉冲响应（RIR）表征了在线性时不变假设下声音从扬声器到麦克风在房间内的传播。从有限测量点估计 RIR 对于声传播分析与可视化至关重要。物理信息神经网络（PINNs）近期被引入用于精确的 RIR 估计，其通过将支配物理定律嵌入深度学习模型；然而，网络深度的作用尚未得到系统研究。在本研究中，我们开发了一种带残差连接的深层 PINN 架构，并分析了网络深度如何影响估计性能。我们进一步比较了激活函数，包括 tanh 和正弦激活函数。结果表明，带正弦激活函数的残差 PINN 在 RIR 的插值和外推中均实现了最高精度。此外，所提架构随着深度增加能够实现稳定训练，并在估计反射分量方面产生显著改善。这些结果为设计用于声学逆问题的深层稳定 PINNs 提供了实用指南。
引用
@article{arxiv.2512.22915,
title = {Spatial Interpolation of Room Impulse Responses based on Deeper Physics-Informed Neural Networks with Residual Connections},
author = {Ken Kurata and Gen Sato and Izumi Tsunokuni and Yusuke Ikeda},
journal= {arXiv preprint arXiv:2512.22915},
year = {2026}
}
备注
This work has been submitted to the IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences for possible publication