Efficient Diffraction Modeling Using Neural Networks and Infinite Impulse Response Filters

Joshua Mannall*, Lauri Savioja, Paul Calamia, Russell Mason, Enzo De Sena

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: LehtiartikkeliArticleScientificvertaisarvioitu

27 Lataukset (Pure)

Abstrakti

Creating plausible geometric acoustic simulations in complex scenes requires the inclusion of diffraction modeling. Current real-time diffraction implementations use the Uniform Theory of Diffraction, which assumes all edges are infinitely long. The authors utilize recent advances in machine learning to create an efficient infinite impulse response model trained on data generated using the physically accurate Biot-Tolstoy-Medwin model. The authors propose an approach to data generation that allows their model to be applied to higher-order diffraction. They show that their model is able to approximate the Biot-Tolstoy-Medwin model with a mean absolute level difference of 1.0 dB for first-order diffraction while maintaining a higher computational efficiency than the current state of the art using the Uniform Theory of Diffraction.

AlkuperäiskieliEnglanti
Sivut566-576
Sivumäärä11
JulkaisuAES: Journal of the Audio Engineering Society
Vuosikerta71
Numero9
DOI - pysyväislinkit
TilaJulkaistu - syysk. 2023
OKM-julkaisutyyppiA1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä

Sormenjälki

Sukella tutkimusaiheisiin 'Efficient Diffraction Modeling Using Neural Networks and Infinite Impulse Response Filters'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä