Physics-Informed Machine Learning For Sound Field Estimation

本文讨论了关于空间声音估计的研究领域，即声场估计，它是与空间音频处理相关的各种应用技术的基础。在简化的情况下，声场估计问题被定义为机器学习中的函数插值问题。然而，仅仅应用依赖于数据的通用插值技术不能期望高的估计性能。声场的物理特性是有用的先验信息，将其纳入估计中被认为是极其重要的。本文介绍了物理信息机器学习（PIML）在声场估计中的基础，并概述了当前基于PIML的声场估计方法。

本文旨在介绍物理信息机器学习（PIML）在声场估计中的应用，以解决仅使用数据的插值技术所面临的性能不足问题。

本文提出了一种基于物理信息的机器学习方法，将声场的物理特性融入到估计中，提高声场估计的性能。

本文介绍了声场估计的基本概念和PIML的关键思想，概述了当前基于PIML的声场估计方法。实验使用了不同的数据集进行验证，并提供了开源代码。本文的方法为声场估计提供了一种新的思路。

近期相关研究包括：'Physics-Informed Machine Learning for Acoustics'，'Deep Learning for Acoustic Modeling in Speech Recognition: A Review'，'Sound Field Analysis, Synthesis, and Spatial Audio Reproduction: A Review of Theories and Applications'等。