Machine-learning-based estimation of reverberation time using room geometry for room effect rendering

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussavertaisarvioitu

Tutkijat

Organisaatiot

Kuvaus

This work presents a machine-learning-based method to estimate the reverberation time of a virtual room for auralization purposes. The models take as input geometric features of the room and output the estimated reverberation time values as function of frequency. The proposed model is trained and evaluated using a novel dataset composed of real-world acoustical measurements of a single room with 832 different configurations of furniture and absorptive materials, for multiple loudspeaker positions. The method achieves a prediction accuracy
of approximately 90% for most frequency bands. Furthermore, when comparing against the Sabine and Eyring methods, the proposed approach exhibits a much higher accuracy, especially at low frequencies.

Yksityiskohdat

AlkuperäiskieliEnglanti
OtsikkoProceedings of the 23rd International Congress on Acoustics : integrating 4th EAA Euroregio 2019 : 9-13 September 2019 in Aachen, Germany
TilaJulkaistu - 13 syyskuuta 2019
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaInternational Congress on Acoustics - Aachen, Saksa
Kesto: 9 syyskuuta 201913 syyskuuta 2019
Konferenssinumero: 23

Conference

ConferenceInternational Congress on Acoustics
LyhennettäICA
MaaSaksa
KaupunkiAachen
Ajanjakso09/09/201913/09/2019

Lataa tilasto

Ei tietoja saatavilla

ID: 40315145