[論文レビュー] MeshRIR: A Dataset of Room Impulse Responses on Meshed Grid Points For Evaluating Sound Field Analysis and Synthesis Methods

Shoichi Koyama, Tomoya Nishida+4 more|arXiv (Cornell University)|Jun 21, 2021

Speech and Audio Processing被引用数 6

ひとこと要約

MeshRIR は、3次元の直方体領域および2次元の正方形領域において、0.05 m 間隔の細かいグリッド点で測定されたルームインパulse応答（RIR）の新しいデータセットであり、音場解析および音場再構築手法の高分解能評価を可能にする。音場再構築や制御の応用を支援し、サンプル応用において平均二乗誤差（MSE）が -13.7 dB、歪みに対する信号比（SDR）が 3.85 dB であることが示された。

ABSTRACT

A new impulse response (IR) dataset called "MeshRIR" is introduced. Currently available datasets usually include IRs at an array of microphones from several source positions under various room conditions, which are basically designed for evaluating speech enhancement and distant speech recognition methods. On the other hand, methods of estimating or controlling spatial sound fields have been extensively investigated in recent years; however, the current IR datasets are not applicable to validating and comparing these methods because of the low spatial resolution of measurement points. MeshRIR consists of IRs measured at positions obtained by finely discretizing a spatial region. Two subdatasets are currently available: one consists of IRs in a three-dimensional cuboidal region from a single source, and the other consists of IRs in a two-dimensional square region from an array of 32 sources. Therefore, MeshRIR is suitable for evaluating sound field analysis and synthesis methods. This dataset is freely available at https://sh01k.github.io/MeshRIR/ with some codes of sample applications.

研究の動機と目的

• 音場解析および再構築手法の評価に適した、公開可能で高空間分解能の RIR データセットの不足に対処すること。
• 密度の高い測定グリッドを用いて、音場再構築や制御などの空間オーディオ処理技術の現実的で妥当な検証を可能にすること。
• ベンチマークや手法間の比較のため、細粒度のインパulse応答を備えた自由に利用可能なデータセットを提供すること。
• 波動場再構築、補間、アクティブ音場制御を含む、空間オーディオ分野の研究を支援すること。
• 3次元および2次元領域における測定点がそれぞれ 3969 点および 441 点あるサブデータセットを提供することで、既存のデータセットを拡張すること。

提案手法

• データセットは、1つの音源から発生する RIR を、3次元の直方体領域（1.0×1.0×0.4 m）および32個の音源位置から発生する RIR を、2次元の正方形領域（1.0×1.0 m）で 0.05 m 間隔にわたって測定することで作成された。
• すべての RIR は、48 kHz で 32768 サンプルの長さを持つ、実際の部屋（7.0×6.4×2.7 m）で記録され、高精度な測定を実現するためスイープ正弦信号を用いた。
• 音場再構築は、無限次の球面調和解析により実装され、零次球ベッセル関数を用いたカーネル補間と同等のものである。
• 音場制御は、圧力マッチング法により実装され、16個の制御点を用いて合成音場と所望の音場との誤差を最小化した。
• 計算効率を高めるために、時間領域フィルタ設計およびダウンサンプリングされた信号（8 kHz）を含む、再構築および制御用のサンプルコードがデータセットに含まれている。
• 測定領域は均一なメッシュに離散化されており、任意のサブセットを入力とし、他のサブセットを検証用の真値（グランドトゥース）として使用できる。

Figure 1: IR measurement system for S32-M441 .

実験結果

リサーチクエスチョン

• RQ1 密度の高い空間サンプリングを持つ高分解能 RIR データセットは、音場再構築手法の評価をどのように向上させ得るか？
• RQ2 球面調和分解を用いて、スパarsな測定セットから音場をどの程度正確に再構築できるか？
• RQ3 複数のスピーカーを用いて、所定の音場（例えば平面波）を制御領域内でどの程度正確に合成できるか？
• RQ4 密度の高い RIR データセットを用いた音場制御において、達成可能な歪みに対する信号比（SDR）はどの程度か？
• RQ5 細粒度の RIR を備えた公開可能で制限のないデータセットは、空間オーディオ処理手法の標準化ベンチマークを可能にするか？

主な発見

• 音場再構築実験では、2次元平面上の18個のマイクロホンから得られた圧力分布推定において、平均二乗誤差（MSE）が -13.7 dB であった。
• 音場制御実験では、1.0×1.0 m のターゲット領域で平面波を合成した際、歪みに対する信号比（SDR）が 3.85 dB であった。
• データセットは、3次元の直方体領域に 3969 個の RIR、2次元の正方形領域に 441 個の RIR を含み、両者とも 0.05 m の空間分解能を持つ。
• 3次元サブデータセット（S1-M3969）のリバーブ時間（T60）は 0.38 s、2次元サブデータセット（S32-M441）の T60 は 0.19 s である。
• データセットは https://sh01k.github.io/MeshRIR/ で公開されており、非制限的ライセンスのもとで利用可能で、再構築および制御用のサンプルコードも提供されている。
• 波動場再構築やアクティブ音場制御など、密度の高い空間サンプリングを要する手法の検証が、本データセットにより可能となり、既存のデータセットでは十分にサポートされていない。

Figure 4: IRs with respect to time along $y$ -axis at $(x,z)=(0,0)~{}\mathrm{m}$ of S1-M3969 .