音频信号处理

📄 Neighbor-Consistent Neural Filters for Robust Personal Sound Zones Under Localization Uncertainty #音频信号处理 🔥 8.5/10 | 前25% | #声区控制 | #神经网络 | #音频信号处理 | arxiv 学术质量 6.5/7 | 影响力 1.5/2 | 可复现性 0.5/2 👥 作者与机构 作者：Hao Jiang, Edgar Choueiri 机构：普林斯顿大学 3D Audio and Applied Acoustics (3D3A) Laboratory 通讯作者：Hao Jiang (hj3737@princeton.edu) 💡 毒舌点评 这篇工作瞄准了一个实际且重要的痛点——坐标输入噪声对神经生成声区滤波器性能的干扰，想法直白有效。邻居一致性损失本质上是一种经典的输入扰动一致性正则化（如在半监督学习或对抗训练中常见），将其引入PSZ领域是合理的应用创新，但谈不上方法论上的重大突破。论文的亮点在于其严谨、解耦的评估协议，这比许多只报告绝对性能的论文要强。然而，实验部分显得有些“安全”：缺乏任何主观听音测试，使得所有“鲁棒性”结论都停留在客观指标层面，而这些指标与实际听感（尤其是动态扰动下的听感）的关联并未得到验证。此外，论文完全未提供代码和模型，严重阻碍了可复现性，对于这类高度依赖具体声学环境和系统实现的工作，这是个明显的短板。结论部分声称NC正则化“可能放宽定位精度要求”，这一潜在影响需要更扎实的证据（例如，与不同精度定位器的集成测试）来支撑，目前仅为推测。 📌 核心摘要 本文针对坐标条件神经网络在生成个人声区（PSZ）滤波器时对听者定位噪声敏感的问题，提出了一种邻居一致性神经滤波器（Neighbor-Consistent Neural Filters）方法。核心思想是在训练过程中，通过对输入坐标施加随机扰动并惩罚扰动前后生成滤波器的差异，来正则化坐标到滤波器的映射，从而增强映射的空间平滑性。为客观评估鲁棒性，论文引入了一种解耦评估协议：在评估时，固定用于计算声学转移函数（ATF）的物理听者位置，仅扰动用于滤波器生成的坐标输入，以隔离定位噪声的影响。论文定义了空间变化率（\(\sigma_{\mathrm{mean}}\), \(\sigma_{\mathrm{rms}}\)）等稳定性指标，与标准的区域隔离度指标（IZI, IPI）结合，共同刻画系统的鲁棒性-性能权衡。仿真和实验结果表明，所提方法能显著降低空间变化率（仿真中RMS变化率最高降低55.9%，实测中最高降低61.8%），并在多数情况下保持或提升隔离质量，证明了邻居一致性正则化在提升PSZ系统定位鲁棒性方面的有效性。 🔗 开源详情 代码：论文未提供代码仓库链接或任何可执行代码。has_code: No 模型权重：论文未提及模型权重的发布链接。has_model: No 数据集：论文未提及公开数据集。研究中使用的声学传递函数（ATFs）和头相关传递函数（HRTF）数据为作者实验室内部采集，未公开。has_dataset: No Demo：论文未提及在线演示链接。 复现材料：论文提及了训练过程中的关键细节（如损失函数、超参数）和附录中的超参数研究，但未提供具体的检查点文件、训练脚本、评估脚本或完整的复现代码包。 论文中引用的开源项目：论文中提到了“Binaural Spatially Adaptive Neural Network (BSANN)”框架[14]，但未提供其代码或项目链接，应视为对自身先前工作的引用。 🏗️ 方法概述和架构 本文提出的方法旨在增强坐标条件神经网络生成的PSZ滤波器对坐标输入扰动的鲁棒性。其整体框架是一个分频带系统，包含独立的低音（woofer）和高音（tweeter）滤波器生成模型，并分别进行训练。每个模型都是一个坐标条件神经网络，输入是听者头部中心坐标的堆叠向量 \(\mathbf{x} \in \mathbb{R}^{Kd}\)，输出是该频带所有扬声器通道、所有声区、所有音频通道对应的FIR滤波器系数向量 \(\mathbf{g}^{(b)} \in \mathbb{R}^{D^{(b)}}\)。该网络本质上是一个从高维坐标空间到高维滤波器系数空间的映射函数 \(f_{\theta_b}\)。 ...

📄 Frequency-Independent Ambisonics Upscaling Using Deep Learning #空间音频 #深度学习 #音频信号处理 ✅ 6.5/10 | 前50% | #空间音频 | #深度学习 | #音频信号处理 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 -0.5 | 置信度 中 👥 作者与机构 第一作者：Egke Chatzimoustafa（RWTH Aachen University, Institute of Communication Systems (IKS)） 通讯作者：未说明 作者列表：Egke Chatzimoustafa（RWTH Aachen University, Institute of Communication Systems (IKS)）、Peter Jax（RWTH Aachen University, Institute of Communication Systems (IKS)） 💡 毒舌点评 亮点：该工作最大的亮点在于其巧妙的理论切入点——利用球谐函数在Ambisonics变换中与频率无关的特性，将复杂的全带提升任务分解为多个子带独立处理任务，这在概念上非常优雅且具有计算效率优势。 短板：最大的短板在于评估的“不彻底性”——论文将“物理准确性”（空间相似度）作为核心评价标准并取得了优势，却完全回避了空间音频领域至关重要的“感知准确性”（主观听测）评估，使得其声称的“对需要可靠空间表征的应用有益”的结论缺乏最终用户视角的支撑。 🔗 开源详情 代码：论文中未提及代码链接或开源计划。 模型权重：未提及。 数据集：训练数据为程序生成，方法已描述，但未提供生成脚本或数据。验证集使用公开数据集（EBU-SQAM），测试集使用公开数据集（HiFi-TTS, 乐器声音数据集），但论文未提供其处理后的版本或使用方式。 Demo：未提及。 复现材料：提供了模型架构描述、关键超参数（隐藏层大小、学习率、训练轮数）和数据生成公式。但缺失代码、具体优化器配置、批次大小、训练硬件、调度器细节等关键复现信息。 引用的开源项目：引用了DirAC方法的开源代码[15]作为基线对比。引用了前期工作[21]，但未说明其开源情况。 📌 核心摘要 要解决什么问题：高阶Ambisonics (HOA) 格式能提供更精准的空间声场还原，但其阶数受限于录音和回放硬件。本文旨在通过算法将低阶Ambisonics信号“提升”到高阶，以克服硬件限制。 方法核心是什么：提出了一种基于深度学习的序列式框架。核心创新在于利用Ambisonics信号基于球谐函数（SH）变换而具有频率独立性的特点，将时域HOA信号经短时傅里叶变换转换到时频域后，让模型独立地在每个频率子带内进行阶数提升。每个子带的提升由一个独立的双向GRU模型完成，序列式地从一阶逐步提升至目标高阶。 与已有方法相比新在哪里：相较于传统的参数化方法DirAC（依赖方向估计和启发式设计），本文方法直接从数据学习映射，避免了显式的参数估计。相较于作者前期工作的全带时域GRU模型，新方法通过子带独立处理，大幅降低了模型复杂度和参数量，并利用了问题的物理特性（SH的频率独立性）进行架构设计。 主要实验结果如何： 在合成测试数据（2-5个声源）上，所提模型在所有阶数和场景下，其空间相似性（η）的中位数和方差均优于DirAC和全带模型。例如，针对5个声源、提升到6阶时，所提模型中位η=87.5%，方差≤0.011；DirAC中位η=85.5%，方差≈0.029；全带模型中位η≈61%。 论文指出，所提模型相比DirAC实现了约63%的空间相似性方差减少，表明其估计更稳定、可靠。 论文展示了一个5声源案例（图3），所提模型的SRP图在声源定位上更清晰，伪影更少，对应其更高的空间相似度。 论文未提供真实世界测量数据上的具体数值，但声称“两种方法在真实测量数据上的平均表现相似”。 实际意义是什么：该方法为使用少量麦克风录音获得更精确空间表征的Ambisonics信号提供了一条可能的途径，尤其适用于需要高物理精度空间音频还原的VR/AR或专业音频制作场景。 主要局限性是什么：模型完全在合成数据上训练，其在复杂真实声场（如存在混响、噪声、扩散场）中的泛化能力未知；缺乏主观听感评估，无法证明其客观指标的优势能否转化为更好的人耳感知体验；对完全扩散声场的处理能力未讨论。 🏗️ 模型架构 论文提出的Ambisonics阶数提升系统采用序列化框架，整体流程如下： ...

ICASSP 2026 - 音频信号处理 共 1 篇论文 ← 返回 ICASSP 2026 总览 排名 论文 评分 分档 🥇 Learning Piezoelectric Hysteresis in In-Ear MEMS Loudspeaker 7.0分 前50% 📋 论文详情 🥇 Learning Piezoelectric Hysteresis in In-Ear MEMS Loudspeakers from Acoustic Measurements ✅ 7.0/10 | 前50% | #音频信号处理 | #神经网络模型 | #非线性建模 #波数字滤波 👥 作者与机构 第一作者：Oliviero Massi（米兰理工大学，电子、信息与生物工程系 - DEIB） 通讯作者：未明确说明 作者列表：Oliviero Massi（米兰理工大学 DEIB）、Alessandro Ilic Mezza（米兰理工大学 DEIB）、Riccardo Giampiccolo（米兰理工大学 DEIB）、Alberto Bernardini（米兰理工大学 DEIB） 💡 毒舌点评 论文巧妙地将可微分波数字滤波器（WDF）与循环神经网络（RNN）结合，构建了一个既有物理可解释性又能从纯声学数据中“黑箱”学习迟滞非线性的混合模型，思路值得称赞。然而，论文的实验部分稍显“闭环”，仅用自家设备验证自家模型，缺乏与其他主流非线性建模方法的公开较量，说服力打了折扣；同时，未开源任何代码或数据，使得这个漂亮的框架更像是一个“概念验证”而非可即刻应用的工具。 🔗 开源详情 ...

📄 Learning Piezoelectric Hysteresis in In-Ear MEMS Loudspeakers from Acoustic Measurements #音频信号处理 #神经网络模型 #非线性建模 #波数字滤波 #扬声器建模 ✅ 7.0/10 | 前50% | #音频信号处理 | #神经网络模型 | #非线性建模 #波数字滤波 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 -0.5 | 置信度 高 👥 作者与机构 第一作者：Oliviero Massi（米兰理工大学，电子、信息与生物工程系 - DEIB） 通讯作者：未明确说明 作者列表：Oliviero Massi（米兰理工大学 DEIB）、Alessandro Ilic Mezza（米兰理工大学 DEIB）、Riccardo Giampiccolo（米兰理工大学 DEIB）、Alberto Bernardini（米兰理工大学 DEIB） 💡 毒舌点评 论文巧妙地将可微分波数字滤波器（WDF）与循环神经网络（RNN）结合，构建了一个既有物理可解释性又能从纯声学数据中“黑箱”学习迟滞非线性的混合模型，思路值得称赞。然而，论文的实验部分稍显“闭环”，仅用自家设备验证自家模型，缺乏与其他主流非线性建模方法的公开较量，说服力打了折扣；同时，未开源任何代码或数据，使得这个漂亮的框架更像是一个“概念验证”而非可即刻应用的工具。 🔗 开源详情 论文中未提及任何开源计划、代码仓库链接、模型权重下载或公开数据集。训练细节（如超参数）已给出，但缺乏完整的训练脚本和配置，难以独立复现。论文中引用的开源工具或项目未明确列出，但其框架实现依赖PyTorch、以及可能引用的WDF库（如论文[16]中的工作）。 📌 核心摘要 问题：压电式MEMS扬声器因其小型化优势在入耳式音频领域前景广阔，但其电-机械转换过程中的迟滞非线性效应严重影响了建模精度和失真补偿。 方法核心：提出一种混合建模框架。使用一个循环神经网络（RNN，具体为GRU）作为非线性预失真模块，从输入电压直接映射到驱动力，以捕捉迟滞特性。该驱动力随后输入到由波数字滤波器（WDF）实现的线性等效电路模型（描述机械和声学域），最终输出声压。整个模型在离散时间仿真中是端到端可微分的，可直接从电压-声压测量数据中优化训练。 与已有方法相比新在何处：避免了传统迟滞模型需要的强假设（如速率无关性）和额外的、噪声敏感的压电材料电荷/极化测量。将物理模型（玻璃盒）的可解释性与数据驱动（黑箱）的灵活性相结合，非线性部分无需参数化，完全从设备输入-输出数据中推断。 主要实验结果：在预测的输入电压幅度（13V）外推测试中，模型预测的声压与实测值高度吻合，平均绝对误差（MAE）为1.82×10⁻¹ Pa。隔离非线性模块测试表明，其自动学到了符合物理预期的电压-力迟滞回线（图4）。应用所学的非线性模型设计逆控制器后，全频段总谐波失真（THD）显著降低（图7）。 实际意义：为MEMS扬声器等具有复杂非线性特性的微型音频换能器提供了高精度建模工具，其可微分特性使其可直接用于数字预失真（DPD）或非线性控制，有望提升下一代微型音频设备的音质。 主要局限性：模型验证仅针对一种特定的MEMS扬声器结构和测量条件（IEC 60318-4耳模拟器），其泛化性未充分验证。训练数据为单一类型的对数正弦扫频，未测试更复杂的音频信号。模型参数量极少（3393个），可能限制其表达更复杂动态的能力。未与其他先进的非线性建模方法进行直接定量对比。 🏗️ 模型架构 该论文提出的是一个串联混合模型架构，用于模拟压电MEMS扬声器从电压输入到声压输出的完整传输链。其核心思想是将系统分解为一个可学习的非线性迟滞块和一个固定的线性物理模型块，并通过可微分仿真将二者连接起来进行端到端训练。 ...