Synthese von Klangfeldern durch unregelmäßige Lautsprecheranordnungen basierend auf konvolutionalen neuronalen Netzen

Zusammenfassung Die meisten Ansätze zur Synthese von Klangfeldern beschäftigen sich mit umfangreichen und regelmäßigen Lautsprecheranordnungen, die aufgrund physischer Platzbeschränkungen oft nicht für Heim-Audiosysteme geeignet sind. In diesem Artikel schlagen wir eine Technik zur Synthese von Klangfeldern durch leichter einsetzbare unregelmäßige Lautsprecheranordnungen vor, d.h. bei denen der Abstand zwischen den Lautsprechern nicht konstant ist, basierend auf Deep Learning. Die Eingaben sind die Ansteuersignale, die durch eine auf der Zerlegung von Ebenenwellen basierende Technik gewonnen werden. Während die betrachteten Ansteuersignale in der Lage sind, das Klangfeld mit einer regulären Anordnung korrekt zu reproduzieren, zeigen sie bei der Verwendung unregelmäßiger Setups eine verschlechterte Leistung. Durch ein komplexwertiges konvolutionales neuronales Netzwerk (CNN) modifizieren wir die Ansteuersignale, um die Fehler bei der Reproduktion des gewünschten Klangfelds auszugleichen. Da für die kompensierten Signale keine Referenz-Ansteuersignale verfügbar sind, trainieren wir das Modell, indem wir den Verlust zwischen dem gewünschten Klangfeld an einer Reihe von Kontrollpunkten und dem durch die vom Netzwerk geschätzten Ansteuersignale erhaltenen vergleichen. Das vorgeschlagene Modell muss für jede Konfiguration der unregelmäßigen Lautsprecheranordnung neu trainiert werden. Numerische Ergebnisse zeigen eine bessere Reproduktionsgenauigkeit im Vergleich zur Technik der Ebenenwellenzerlegung, dem Druckabgleichansatz und linearen Optimierern zur Kompensation der Ansteuersignale.