研究提出FoV-BSM-Net：可穿戴麦克风阵列双耳再现的自适应视场方法
可穿戴麦克风阵列双耳再现的自适应视场方法
（映维网Nweon 2026年10月05日）一支研究人员提出了一种全新的双耳信号匹配方法FoV-BSM-Net。相关方案利用卷积循环神经网络从麦克风信号中直接学习视场参数，避免了显式的声源定位，并在仿真和听音实验中优于传统方法。
虚拟现实、增强现实和高保真远程会议等应用对双耳再现的需求日益增长。双耳信号匹配（BSM）是一种常用的双耳再现方法，它在扩散场假设下能产生高质量的双耳信号，但在高直混比（DRR）条件下性能会下降。先前的改进方案引入了视场加权，但要么使用固定孔径，要么依赖显式声源定位，前者空间覆盖粗糙，后者受定位估计精度限制。
FoV-BSM-Net将FoV估计表述为信号相关的回归问题。整个流程分三步：首先，麦克风信号经短时傅里叶变换并组合为SALSA-Lite风格的空间表示；其次，卷积循环神经网络将该表示映射为四个FoV参数——中心仰角、中心方位角、仰角孔径和方位角孔径；最后，这些参数定义一个可微软加权矩阵，集成到BSM滤波器中，实现端到端训练。
网络采用ResNet风格卷积骨干、两层双向GRU和三个回归头，分别预测FoV中心和两个孔径。训练使用复合损失，包括声源方向损失、双耳声级差/双耳时间差损失和归一化均方误差损失。
研究在仿真房间中生成数据集，使用Aria-reduced五麦克风阵列、KU100人工头HRTF和LibriSpeech语音，包含12,000个单声源混响场景，覆盖三种房间尺寸和0.30、0.61、1.40秒的混响时间。对比方法为传统BSM、固定FoV-BSM（60°×20°）和FoV-BSM-Net。
全频带双耳NMSE结果显示，FoV-BSM-Net相对BSM平均改进1.0 dB，在高DRR条件下改进1.7 dB；固定FoV-BSM的改进分别为0.5 dB和0.8 dB。在双耳线索方面，FoV-BSM-Net的ICLD误差为3.1 dB，IPD误差为9.1°，均低于BSM（8.9 dB、43.2°）和固定FoV-BSM（5.1 dB、16.9°）。
听音实验采用MUSHRA方法，12名听力正常受试者参与，评估两个场景。在低DRR（4.4 dB）场景中，FoV-BSM-Net与参考信号在统计上无法区分；在高DRR（12.1 dB）场景中，三种方法均与参考有显著差异，但FoV-BSM-Net评分显著高于固定FoV-BSM和BSM。
相关论文：Neural Field-of-View for Binaural Signal Matching with Wearable Microphone Arrays
FoV-BSM-Net避免了显式声源估计，同时保留了信号相关BSM的性能优势，在低DRR下与参考匹配，在高DRR下保持最高感知质量。不过，当前评估限于仿真的单声源场景，未来工作将扩展到真实录音和多声源条件。
