作者: Christopher Ick,Gordon Wichern,Yoshiki Masuyama,Francois Germain,Jonathan Le Roux
单位: 三菱电机研究实验室,纽约大学音乐与音频研究实验室
来源: Interspeech
时间: 2025年8月

一、研究背景

二、核心贡献

三、方法

通过知道声音碰撞的点、声源以及听者的位置，再由神经网络学习这些几何关系，生成逼真的FOA信号，再通过多种损失函数确保尽可能接近物理仿真。

四、实验

1.实验准备

2.实验结果——强度向量损失的贡献

(1)随着λ的逐渐变大，DoA误差逐渐减少，展现了强度向量损失对方向准确性的贡献；但一旦权重过大，会使得模型只关注“直达声”而忽略了“后期混响”。
(2)模型在没有方向损失引导时，预测出的声场方向往往是随机的或者反的；正确捕捉空间方向信息，有助于更全面建模整个房间的声学特性。

3.实验结果——少样本学习

(1)预训练赋予了模型关于声学物理规律的“常识”，使其能实现真正的“少样本”迁移。(2)LoRA 是一种极高效的微调方式，用极少的计算代价就能达到与全量微调相当的效果。
(3)在实际应用中，采集800个样本非常困难，因此在只有少数几个样本可用的现实场景下，预训练+LoRA/Warm-start 是唯一可行的方案。
(4)仅仅知道房间的几何形状（Bounce Points）是不够的，必须通过少量的实际测量值来对模型进行“校准”。

五、总结

(1)DANF是一个全新的神经声学场模型，能估算具有方向感知能力的房间冲激响应，是首个估算高阶立体混响格式RIR以及成功捕获声源到达方向的模型。
(2)强度向量损失不仅能准确捕捉房间的常规声学特性，还能精准刻画随方向变化的声学属性。
(3)模型在面对全新的、未见过的环境时，具有极强的适应性，并且在仅有少量训练数据的情况下，依然表现良好。

六、对齐思考

1.方法创新点——全域数据拓扑建模:通过强度向量损失使模型能够预测出连续的方向感声场，可以参考作为从音频中提取方向信息。

2.技术目标点——跨域知识结构对齐: 对比其他声学渲染引擎，本文的方法能更快部署，且能预测连续的空间声场。

3.中试产品点——埃觅文旅: 经过少量微调可以快速理解用户所在房间的声学特性，从而提供为整个房间提供优化的空间音频效果。