具有物理声音领域先验的生成对抗网络

科学领域:

• 声学 声学 在声学方面
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 准确的声场重建对于诸如声学模拟和虚拟现实等应用至关重要.
• 传统的方法经常在有限的测量,高频率和推断方面扎.
• 生成模型为将物理先验纳入声学问题提供了一个新的范式.

研究的目的:

• 开发一种基于深度学习的方法,用于空间时空声音场的重建.
• 为了提高精度,利用生成对抗网络 (GAN) 和平面波基础.
• 通过使用已建立的数据集,与最先进的技术对比评估方法的性能.

主要方法:

• 使用生成对抗网络 (GAN) 架构进行声音场重建.
• 采用平面波的基础,并学习了声压的统计分布.
• 在两个已建立的声学数据集上训练并验证了模型.
• 与现有的最先进的重建方法进行性能比较.

主要成果:

• 在精度和能量保留方面实现了改进的重建性能.
• 在高频范围和超出测量区域的推断方面表现出卓越的性能.
• 展示了对不同数量的测量位置和配置的稳定性,而不会降低性能.
• 在各种声学场景中验证了基于GAN的方法.

结论:

• 拟议的深度学习方法为声音场重建提供了一个有希望的解决方案.
• 生成型模型提供了物理信息的先验,增强了声学解决问题的能力.
• 该方法显示了对现实世界声学应用的巨大潜力,这些应用需要从稀疏的数据中准确地重建现场.