眼镜框上有麦、耳朵处无麦：辅助滤波器为何在方向偏离时失效

英文题目：ACTIVE NOISE CONTROL FOR AUGMENTED REALITY GLASSES USING VIRTUAL SENSING WITH DIRECTIONAL ROBUSTNESS

会议身份：conference:eusipco:2026:conference-paper-id:0000966

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#自适应滤波 #鲁棒性 #理论分析 #单通道 #主动降噪

评分：6.6/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.6/1 | 影响力 0.8/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Peled, Nitay：机构信息未能从会议 PDF 纯文本可靠映射
• Rafaely, Boaz：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文面向AR眼镜主动噪声控制，输入为镜架参考传声器与监测传声器信号，输出为耳处虚拟点的反相控制声，难点在于耳处无物理误差传声器而监测点控制不能代表耳处效果，且镜架固定传声器存在因果性约束。先构建参考到次级扬声器的前馈控制通路生成抵消声。接着用离线校准的辅助滤波器把监测误差映射为虚拟误差，其输出进入下一步驱动滤波-x最小均方自适应更新控制滤波器。最后在控制阶段按噪声到达方向从有限滤波器组中选择最近校准方向的辅助滤波器以避免连续重校准。与固定单辅助滤波器相比，该方向选择机制以离散覆盖换取对角度失配的鲁棒性，理论灵敏度与|sin(ϕ−ϕ0)|成正比故在参考-监测轴附近更稳健。在因果角度范围ϕ0±90°自由场仿真评测设置下，5滤波器组方法的平均衰减指标为25.3 dB，低于逐角度完全校准方法的平均衰减指标29.1 dB。结论适用边界受限于单通道单点噪声源与自由场条件，当声源偏离参考-监测轴超过90度进入非因果区时所有方法均显著退化。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 数据相关资源：https://www.chimechallenge.org/challenges/chime8/task3/data — 链接可访问（HTTP 200） 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

增强现实眼镜为什么需要专门研究有源降噪？

输入是本论文的原文证据，目标是让刚进入语音音乐音频领域的研究生能核对条件并复述方法，必须保留的信息包括任务定义、麦克风与扬声器布置、辅助滤波器训练与控制分工、自由场仿真条件和方向失配实验，输出是 1 篇按学习依赖展开的中文技术解读。

有源噪声控制的基本动作是先用麦克风听到噪声，再让扬声器发出反相声波去抵消它，耳机和头枕已经这样做。增强现实眼镜的特殊处在于镜框上可以放麦克风和扬声器，但人耳所在位置通常不放误差麦克风。如果直接把镜框上的监测麦克风当作误差去自适应，控制器最小化的是镜框处的残差，不是耳处的残差，两处声压并不相同，降噪目标就错位了。

第二个特殊困难是因果性。抵消声必须在噪声到达耳朵之前或同时算出来并发出去。如果噪声先到参考麦克风，再到耳朵，系统有时间反应，属于因果可控。如果噪声先到耳朵和监测麦克风，再到参考麦克风，控制器就需要预知未来，属于非因果，单靠固定延迟的有限长滤波器难以实现。眼镜上麦克风固定在框上，声源方向一变，先后顺序就变，所以方向会直接决定这套系统能不能做。

已有路线解决了什么，还缺哪一块？

论文把相关工作分成两条线。第一条是与增强现实眼镜形态相近的有源控制。有的工作在仿真中做了方向性降噪，但依赖双耳误差麦克风，而实际眼镜耳处恰恰没有这种麦克风。有的工作研究了头戴多通道前馈结构或耳机架上的虚拟传感，但其麦克风离耳朵很近，或针对磁共振等特定噪声场景，与眼镜框上麦克风离耳有距离、日常宽带噪声的设定不同，不能直接搬用。

第二条是一般意义上的虚拟传感。常见思路包括辅助滤波器方法，特点是在离线标定阶段同时用监测麦克风和虚拟麦克风学一个映射，到了在线控制阶段虚拟麦克风拿掉，只用监测信号加这个映射构造估计误差。已有比较研究指出该方法有潜力，但标定条件与控制条件失配时会退化，需要重训练，近年有人提出在线自适应或用一组训练好的辅助滤波器覆盖多种条件。论文明确指出，这类滤波器库思想此前没有在增强现实眼镜有源控制中研究过，这就是本文要补的位置。

论文到底要回答哪三个问题？

论文把任务限定得很窄：在自由场、单点初级噪声源、单通道控制、耳处为虚拟麦克风的条件下，研究辅助滤波器方法用于眼镜的可行性和方向鲁棒性。初级源只在水平面内改变方位角，记为方位角。参考麦克风为坐标原点，眼镜朝向正横轴方向，参考与监测麦克风连线与正横轴的夹角记为参考监测轴方向。

3 个问题按依赖排序。第一，是否必须用虚拟麦克风技术，也就是只用监测麦克风做归一化滤波最小均方自适应，与直接在虚拟麦克风处自适应、以及每个方位单独标定辅助滤波器相比，耳处衰减差多少。第二，固定辅助滤波器在标定方向与控制方向不一致时退化多少，退化是否随标定方向不同而不同，能否被理论敏感度预测。第三，能否用有限个辅助滤波器组成的库，按噪声源到达方向就近选择，来替代每个方向都重标定，库大小与平均衰减的关系如何。

辅助滤波器系统在训练和控制阶段分别做什么？

沿一个样本走完流程有助于建立全景。输入是参考麦克风信号，记为参考信号。训练阶段系统同时能看到监测麦克风信号和虚拟麦克风信号，目标是学一个辅助滤波器，使监测信号减去辅助滤波器对参考信号的滤波输出后，得到的估计误差在控制滤波器取最优值时趋于零。控制阶段虚拟麦克风被假设不可用，系统只能看到监测信号，于是用同样的相减构造估计误差，并用这个估计误差去自适应控制滤波器，控制滤波器输出驱动扬声器发出抵消声。

表示层面涉及 4 条声学路径：从初级噪声源到虚拟麦克风的虚拟初级路径、从扬声器到虚拟麦克风的虚拟次级路径，以及对应的到监测麦克风的监测初级路径和监测次级路径。组件层面包括参考麦克风、监测麦克风、虚拟麦克风、控制扬声器、辅助滤波器和控制滤波器。目标层面是最小化虚拟麦克风处的残差，而不是监测处的残差。输出是扬声器驱动信号。论文采用基于相对路径的辅助滤波器框架，控制滤波器用改进的滤波最小均方算法更新，更新用的参考信号需经虚拟次级路径估计预滤波。

监测信号如何变成耳处误差的替代品？

先解释白话。监测麦克风是框上真实存在的麦克风，虚拟麦克风是耳处理想位置，只在标定时刻临时放置。辅助滤波器是一个要标定的滤波器，它的作用不是直接降噪，而是补上两处路径差。控制滤波器是真正干降噪活的滤波器，它决定扬声器发什么。

有源噪声控制 × 虚拟传感： 有源噪声控制负责用扬声器发出与噪声幅度相等、相位相反的声波来抵消耳处噪声，虚拟传感负责在耳处没有物理麦克风时用别处麦克风信号推算耳处误差，二者搭配的原因是眼镜框可装麦克风和扬声器但耳处不宜装误差麦克风，组合后新增的作用是让控制器仍能以耳处残差最小为目标进行自适应。

具体计算是频域关系。虚拟麦克风信号等于虚拟初级路径乘参考信号，加上虚拟次级路径乘控制滤波器再乘参考信号。监测信号有完全类似的结构，只是把两条路径换成监测初级和监测次级路径。估计误差等于监测信号减去辅助滤波器乘参考信号。论文给出的最优辅助滤波器等于监测初级路径减去虚拟次级路径与监测次级路径之比再乘虚拟初级路径，最优控制滤波器等于负的虚拟初级路径除以虚拟次级路径。在最优值处，估计误差趋于零对应虚拟误差最小，这就是该方法成立的逻辑链。

监测麦克风 × 虚拟麦克风： 监测麦克风是训练和控制阶段都实际存在的框上麦克风，提供可观测的残差信号，虚拟麦克风是只在标定阶段存在、控制阶段不可用的耳处位置，二者搭配的原因是需要用前者加辅助滤波器去近似后者的误差，组合后控制器在控制阶段只依赖监测信号仍能朝减小耳处噪声的方向更新。

需要强调监督来源。辅助滤波器的监督来自训练阶段同时可见的监测与虚拟信号，控制滤波器的监督来自控制阶段用辅助滤波器构造的估计误差。论文未报告用神经网络做非线性映射，全部是线性有限长滤波器加最小均方类更新，不能把辅助滤波器理解成深度模型。

参考信号、次级路径估计和自适应更新如何配合？

参考信号是整个系统的驱动，它既进入辅助滤波器生成期望的修正项，也经次级路径估计滤波后用于控制滤波器的梯度方向。次级通路在这里指扬声器到麦克风的声传播，论文为简化假设次级路径估计完全已知，这是一个很强的理想条件，实际中需要在线辨识并会引入误差。

辅助滤波器 × 控制滤波器： 辅助滤波器负责把参考信号映射为监测通道与虚拟通道之间的差异，使构造出的估计误差接近虚拟误差，控制滤波器负责从参考信号生成驱动扬声器的抵消信号，二者搭配的原因是估计误差必须先对齐虚拟位置，控制更新才有正确目标，组合后形成监测误差减去辅助滤波输出再驱动控制滤波更新的闭环。

自适应细节按原文交代。辅助滤波器先用最小均方算法标定，标定后在控制阶段固定。控制滤波器用归一化滤波最小均方算法自适应，所有自适应滤波器都是有限长滤波器，长度为后文实验条件所述，初始值为零。论文对每个控制滤波器自适应都在多个步长中取最好性能报告，这属于事后选最优步长的评估方式，不是可部署的在线步长选择，解读结果时要把这部分增益记为评估上限。

参考麦克风 × 次级通路： 参考麦克风负责采集与初级噪声相关的输入信号，为控制和辅助滤波提供共同驱动，次级通路负责描述从控制扬声器到监测或虚拟麦克风的声传播，二者搭配的原因是自适应需要对参考信号按虚拟次级通路估计做滤波才能保证梯度方向正确，组合后滤波最小均方算法才能稳定收敛到耳处最优解。

一个常见误解是把监测处降噪好等同于耳处降噪好。本文的对照恰恰要打破它：监测处最小不代表耳处最小，只有经过正确辅助滤波器修正后的估计误差最小才对应耳处最小。

没有神经网络训练时，标定和仿真实际计算了什么？

本研究没有训练神经网络模型，该节必须明确说明这一点。实际计算分为声学仿真生成和滤波器标定两类。声学仿真是在自由场中把初级和次级源都建模为点声源，按眼镜几何计算参考、监测、虚拟三处麦克风的声传播，初级扰动在理论分析中进一步近似为平面波。标定是用线性最小均方算法求辅助滤波器，用归一化滤波最小均方算法求控制滤波器，都是线性自适应滤波求解，不是梯度反传训练深度权重。

到达方向 × 因果性： 到达方向描述初级噪声源相对眼镜坐标的方位角，决定声波先到参考麦克风还是先到耳和监测麦克风，因果性要求参考信号必须早于需要抵消的噪声到达耳处以留出计算和发声时间，二者搭配的原因是方位改变会改变相对时延，组合意义是只有当声源偏离参考监测轴不超过约正负九十度时控制器才处于可实现的因果区，否则需要非因果控制而性能必然下降。

理论分析部分也不是训练，而是求最优辅助滤波器对声源方位角的导数。论文把最优辅助滤波器写成与参考到监测距离、参考到虚拟距离、两组相对角度和次级路径比值有关的表达式，再对噪声源到达方向求导。在监测麦克风位于耳上方框上、两组相对角度近似相等的几何假设下，导数幅度近似正比于正弦项的绝对值，比例因子与频率、距离和次级路径比值有关。该结论预测：在参考监测轴方向附近辅助滤波器对方向变化最不敏感，在偏离该轴九十度附近最敏感。原文还给出距离差远小于波长的近似条件，这是低频成立、高频可能不成立的前提。

仿真条件是什么，性能指标如何算？

实验要回答的第一个操作问题是条件是否一致。麦克风位置取自公开的眼镜几何规范，可视化图中显示全部麦克风，但仿真只用其中标出的子集，扬声器假设装在镜框上，虚拟麦克风放在耳位置。声环境为自由场，初级和次级均为点声源，不加额外处理或硬件延迟。初级扰动为高斯白噪声经带通滤波后的低频噪声，反映有源控制最有效的低频段。每个方位角做一段定长仿真，噪声源放在离参考麦克风固定距离处，方位在水平面内扫描。

下表把仿真配置按原文连续句子整理，比较问题是这些仿真参数是否足以复现声信号生成与稳态评估，公平条件是所有方法共享同一声场和同一滤波器长度与初始化，指标方向是后文耳处衰减越大越好。

上表说明主要代价与边界。采样率高加滤波器长意味着时间窗足以覆盖相关声路径，但也增加计算量。噪声只覆盖低频段，所以结论不能推广到高频。声源距离较远使点声源近似平面波，支撑理论近似，但近距离声源或混响房间未被评测。指标只取每段后段计算均方衰减，反映稳态收敛，不反映收敛速度和跟踪速度。未胜出项将在结果节说明：非因果方位区所有方法都差，这不是某一种方法的实现失误。

虚拟麦克风是否必要，固定辅助滤波器退化多少？

主结果按极坐标组织，角度坐标就是噪声源方位角，半径或颜色表示在虚拟麦克风处测到的衰减，衰减越大越好。3 个配置共享同一声场：只用监测麦克风驱动的归一化滤波最小均方、直接用虚拟麦克风驱动的归一化滤波最小均方作为基准真值、每个方位单独标定的辅助滤波器方法。报告显示监测方案与虚拟方案差距明显，而逐方位标定的辅助滤波器能把差距补上，接近虚拟直接控制，论文据此报告辅助滤波器是有潜力的实用方案。

衰减关于参考监测轴方向近似对称，该轴对应相对传播延迟最大、因果条件最有利的方向。当方位偏离超过约正负九十度，噪声先到监测和虚拟麦克风再到参考麦克风，需要非因果控制器，所有算法都显著退化。这是重要的失败条件，不是调参能解决的。

方向失配实验把在单一方向标定的固定辅助滤波器用于其他方向。与逐方位标定相比，在标定方向附近尚可，远离则退化。关键对照是标定在参考监测轴方向的固定滤波器，其可接受性能的角宽度大于标定在偏离该轴六十度方向的版本，说明在轴上标定更鲁棒。这与理论预测一致：敏感度正比于偏离轴的正弦绝对值，在轴上最小，偏离到正负九十度范围内逐渐增大。

下表整理控制评估与方向选择条件，比较问题是在什么步长选择和方位范围内比较才公平，公平条件是所有控制滤波器自适应都按同一候选步长集合取最好，库只在因果方位范围内标定和平均。

表后解释主要收益与代价。收益是评估协议把步长影响剥离，方向效应更干净，库方法只在因果区内比较，避免被非因果区的必然失败拉低平均。代价是最好步长属于事后最优，不能当作可部署收益，实际部署还需在线步长策略和方向估计误差分析。未胜出项是固定滤波器在远离标定方向时明显不如逐方位标定，负结果恰好支撑需要滤波器库的判断。

换成有限滤波器库能恢复多少，需要几个？

该节的消融对象是辅助滤波器的数量与选择方式。基线是单个固定辅助滤波器，上限是每个方位单独标定的完全校准，实际可运行策略是有限库按声源方向就近选择。库的构造是在因果方位范围内按均匀间隔标定多个辅助滤波器，每个测试方位选择标定方向最接近的那个。论文报告库大小为五时的极坐标曲线显著优于单个固定滤波器，但仍未完全达到逐方位标定。

固定辅助滤波器 × 滤波器库： 固定辅助滤波器是在单一标定方向上训练后冻结使用的版本，滤波器库是在因果方位范围内按均匀间隔标定多个辅助滤波器并按声源方向就近选择的集合，二者搭配比较的原因是固定版本在方向失配时按理论敏感度退化，组合意义是库选择用离散标定代价换取对方向变化的鲁棒性，避免在动态声环境中连续重标定。

原文用表格给出在因果方位范围内平均的耳处衰减随库大小的变化，趋势是库越大平均衰减越高、与完全校准的差距越小，从 3 个到 7 个单调改善，但边际收益递减。解读时要注意这是平均趋势，不代表每个方位都单调变好，也未测量方向估计错误时的选择失配代价。论文的判断是 5 个滤波器已只带来小的平均退化，可作为避免完全重标定的实用替代，该判断的支持范围限于自由场、单噪声源、单通道、低频段和因果区平均，未验证混响、多源和多通道。

一个未评测边界是方向到达估计本身的误差和延迟。如果实际系统不能准确及时知道声源方向，就近选择的优势会被削弱，论文把方向已知作为评估前提，没有给出联合估计与选择的误差传播实验。

哪些结论不能推广，缺了哪些验证？

论文直接报告的是自由场仿真中的现象，有限解释是理论敏感度公式，未验证推测是更复杂声环境的表现，措辞上要分开。已显示的是监测方案不够、逐方位辅助滤波器可行、固定版本方向敏感、库选择可部分恢复。支持该判断的是同一仿真条件下的对照和与正弦敏感度一致的宽窄变化。

可能但待验证的是混响房间、头部遮挡、多噪声源、多通道控制和实时硬件延迟下的表现。原文明确假设次级路径估计完全已知、无额外处理或硬件延迟、单点初级源为点声源，这些都是理想化。缺少的证据包括误判率以外的统计显著性、收敛时间、跟踪时变方向的能力、计算量与内存随库大小的增长，以及真实眼镜录音上的验证。相关性不等于因果，例如轴上性能好既符合因果性解释，也符合相对延迟最大的几何解释，不能只用一条曲线断定唯一机理。

训练资源与推理开销要分别讨论。总体趋势是库越大平均越好，不等于每组方位或每一步都成立。输出帧率与实际延迟在原文未测量，不能承诺延迟得到改善。

要复现这套仿真，先做什么、用什么参数？

复现先做几何与声场。按公开眼镜几何规范放置参考、监测麦克风、框上扬声器和耳处虚拟麦克风，以参考麦克风为原点，眼镜朝向正横轴，初级源限制在水平面内按方位角扫描，距离取原文距离。自由场点声源生成脉冲响应或时延增益，初级扰动用高斯白噪声经 4 阶巴特沃斯带通到低频段，采样率与滤波器长度按上表配置，所有滤波器初始化为零。

再做 2 阶段流程。第一阶段同时用监测和虚拟信号以最小均方算法标定辅助滤波器，然后冻结。第二阶段拿掉虚拟信号，用监测信号减辅助滤波输出构造估计误差，以归一化滤波最小均方算法自适应控制滤波器，参考信号经虚拟次级路径估计预滤波，次级估计按原文假设为完全已知。评估取每段后段计算虚拟处均方衰减，控制步长按原文候选集合扫描取最好以复现上限，再补充固定步长的可部署结果。方向失配复现要在轴上和偏轴方向分别标定固定滤波器，再扫全方位测试。库复现要在因果区间内均匀标定 3 到 7 个滤波器，按最接近方向选择，并在因果区间内平均。

资源状态是正文开源声明的唯一依据。本次收到的官方资源证据显示眼镜几何数据资源状态为可用，状态码为二百，链接为挑战赛任务三数据页，当前可用已公开，可用于获取麦克风几何。论文本身未声明代码与权重开源，因此复现需自行实现仿真与自适应循环，不能假定有官方代码可直接运行。

何时值得尝试这种方法，还需补哪项验证？

当系统满足 3 个信息条件时值得尝试：耳处无法放误差麦克风但框上有参考和监测麦克风与扬声器，噪声以低频为主且主要来自因果方位区，声源方向变化缓慢到可以用离散库覆盖。先做逐方位标定验证上限，再做固定滤波器失配验证敏感度，最后做小库选择验证恢复程度，这个顺序对应论文的三问，任何一步缺失都会误判。

关键超参数和信息条件要保留：低频带通、采样率、滤波器长度与零初始化、后段稳态评估、候选步长取最好、因果区范围、库均匀标定与就近选择。论文特有的误解是把监测处衰减当耳处衰减，或把平均改善当每个方向都改善，或把事后最好步长当在线性能。正确读法是监测只是观测，耳处才是目标，平均只在因果区内有意义，最好步长只是上限。

还需补的验证是混响与头部散射下的路径测量、次级路径估计误差的影响、方向估计误差下的库选择鲁棒性、多源与多通道扩展，以及真实硬件上的延迟与算力测试。只有补上这些，才能从自由场单通道仿真走向可佩戴的动态声环境应用。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

区域 1 · 查看论文原页

区域 2 · 查看论文原页

区域 3 · 查看论文原页

区域 4 · 查看论文原页

区域 5 · 查看论文原页

区域 6 · 查看论文原页

另有 5 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 eusipco-2026 论文汇总