电气工程与系统科学 > 音频与语音处理
[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
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。
文献和引用工具
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
推荐器和搜索工具
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.