Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2509.05205

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2509.05205 (eess)
[提交于 2025年9月5日 ]

标题: MEAN-RIR:用于鲁棒房间脉冲响应估计的多模态环境感知网络

标题: MEAN-RIR: Multi-Modal Environment-Aware Network for Robust Room Impulse Response Estimation

Authors:Jiajian Chen, Jiakang Chen, Hang Chen, Qing Wang, Yu Gao, Jun Du
摘要: 本文提出了一种多模态环境感知网络(MEAN-RIR),该网络使用编码器-解码器框架,基于来自音频、视觉和文本源的多级环境信息预测房间脉冲响应(RIR)。 具体而言,混响语音捕获房间声学特性作为主要输入,与全景图像和文本描述作为补充输入相结合。 每个输入由其各自的编码器处理,并将输出馈入交叉注意力模块,以实现不同模态之间的有效交互。 MEAN-RIR解码器生成两个不同的组件:第一个组件捕捉直达声和早期反射,而第二个组件产生调制可学习滤波噪声的掩码以合成晚期混响。 这两个组件混合以重建最终的RIR。 结果表明,MEAN-RIR显著提高了RIR估计,特别是在声学参数方面有明显提升。
摘要: This paper presents a Multi-Modal Environment-Aware Network (MEAN-RIR), which uses an encoder-decoder framework to predict room impulse response (RIR) based on multi-level environmental information from audio, visual, and textual sources. Specifically, reverberant speech capturing room acoustic properties serves as the primary input, which is combined with panoramic images and text descriptions as supplementary inputs. Each input is processed by its respective encoder, and the outputs are fed into cross-attention modules to enable effective interaction between different modalities. The MEAN-RIR decoder generates two distinct components: the first component captures the direct sound and early reflections, while the second produces masks that modulate learnable filtered noise to synthesize the late reverberation. These two components are mixed to reconstruct the final RIR. The results show that MEAN-RIR significantly improves RIR estimation, with notable gains in acoustic parameters.
评论: 被ASRU 2025接受
主题: 音频与语音处理 (eess.AS) ; 声音 (cs.SD)
引用方式: arXiv:2509.05205 [eess.AS]
  (或者 arXiv:2509.05205v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.05205
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Jiajian Chen [查看电子邮件]
[v1] 星期五, 2025 年 9 月 5 日 16:07:59 UTC (3,145 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.SD
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-09
切换浏览方式为:
cs
eess
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号