Data-Driven Room Acoustic Modeling Via Differentiable Feedback Delay Networks With Learnable Delay Lines

在过去的几十年里，人们致力于设计人工混响算法，旨在模拟物理环境的房间声学。尽管有了重大进展，但自动调节延迟网络模型的参数仍然是一个挑战。我们介绍了一种新的方法，用于找到反馈延迟网络（FDN）的参数，使其输出呈现测量房间脉冲响应的目标属性。所提出的方法涉及使用可微分的FDN和可训练的延迟线，这是第一次允许我们通过反向传播同时学习每个延迟网络参数。迭代优化过程旨在最小化一个感知动机的时域损失函数，其中包含可微分项，用于考虑能量衰减和回声密度。通过实验验证，我们展示了所提出的方法产生的时不变频率独立FDN能够紧密匹配所需的声学特性，并且优于基于遗传算法和分析FDN设计的现有方法。

本论文旨在解决人工混响算法中自动参数调整的问题，并提出一种基于可微的反馈延迟网络的方法。

论文的关键思路是使用可微的反馈延迟网络进行参数调整，通过反向传播同时学习每个延迟网络参数，以最小化包含能量衰减和回声密度的感知时域损失函数。

论文实验验证了该方法可以产生时间不变的频率无关反馈延迟网络，能够接近所需的声学特性，并且优于现有基于遗传算法和分析反馈延迟网络设计的方法。

最近的相关研究包括基于深度学习的声学建模和自适应数字滤波器设计。