조건부 가역 신경망을 이용한 효율적인 음장 재구성

이 연구에서는 조건부 가역 신경망(CINN)을 사용하여 잔향 환경에서 음장을 추정하는 방법을 소개합니다. 음장 재구성은 실험 오류, 제한된 공간 데이터, 모델 불일치 및 긴 추론 시간 등으로 방해받을 수 있으며, 이는 결함이 있거나 장기적인 특성을 초래할 수 있습니다. 또한, 고유한 불확실성을 관리하는 복잡성은 종종 계산 요구 사항을 증가시키거나 모델에서 무시됩니다. 우리의 접근법은 정확성과 계산 효율성을 균형 있게 유지하면서, 특정 요구에 맞추어 재구성을 조정하기 위한 불확실성 추정치를 통합하고자 합니다. 무작위 파동 장의 몬테 카를로 시뮬레이션으로 CINN을 훈련시킴으로써, 우리의 방법은 광범위한 데이터셋에 대한 의존성을 줄이고 희소 실험 데이터로부터 추론할 수 있게 합니다. CINN은 최대 사후 추정치를 위한 우도 모델로 작용하거나 근사된 사후 분포를 제공함으로써 방(FIR) 응답을 재구성하는 데 다재다능함을 입증합니다. 기존의 베이지안 방법들에 비해 CINN은 유사한 정확도를 달성하면서도 더 큰 효율성을 제공하고, 특정 음장 조건에 맞게 조정할 필요가 없습니다.