[논문 리뷰] Directional Selective Fixed-Filter Active Noise Control Based on a Convolutional Neural Network in Reverberant Environments

Boxiang Wang, Zhengding Luo외 5명|arXiv (Cornell University)|2026. 01. 11.

Advanced Adaptive Filtering Techniques인용 수 0

한 줄 요약

본 논문은 다채널 참조로부터 DoA 추정치를 이용해 사전 학습된 고정 필터를 선택하여 잔향 환경에서 빠르고 지연 없는 노이즈 제거를 수행하는 CNN 기반 방향성 SFANC 프레임워크를 제시한다.

ABSTRACT

Selective fixed-filter active noise control (SFANC) is a novel approach capable of mitigating noise with varying frequency characteristics. It offers faster response and greater computational efficiency compared to traditional adaptive algorithms. However, spatial factors, particularly the influence of the noise source location, are often overlooked. Some existing studies have explored the impact of the direction-of-arrival (DoA) of the noise source on ANC performance, but they are mostly limited to free-field conditions and do not consider the more complex indoor reverberant environments. To address this gap, this paper proposes a learning-based directional SFANC method that incorporates the DoA of the noise source in reverberant environments. In this framework, multiple reference signals are processed by a convolutional neural network (CNN) to estimate the azimuth and elevation angles of the noise source, as well as to identify the most appropriate control filter for effective noise cancellation. Compared to traditional adaptive algorithms, the proposed approach achieves superior noise reduction with shorter response times, even in the presence of reverberations.

연구 동기 및 목표

• 잔향이 있는 방에서 소음원 DoA가 달라질 때 강인한 소음 제거를 촉진한다.
• DoA 추정을 고정 필터 ANC에 통합하는 방향성 SFANC 방법을 개발한다.
• 적응형 FxLMS에 비해 응답 시간을 줄이고 계산 부담을 낮게 유지한다.
• 임베디드 배치를 염두에 둔 실용적인 사전 학습 필터 라이브러리와 경량 CNN을 제공한다.

제안 방법

• J 개의 기준 마이크로 다중 참조 ANC 설정을 사용하고, 보조 소스와 오차 마이크를 포함한다.
• 단일 프레임 다중 채널 STFT 특징으로부터 방위각(azimuth)과 고도(elevation) 클래스 확률을 출력하도록 CNN을 학습한다.
• 불연속 DoA 방향에 대한 고정 FxLMS 제어 필터 라이브러리를 사전 학습하고 CNN 출력에 기반해 프레임 레이트에서 최적의 필터를 선택한다.
• 참조 신호를 프레임 단위로 처리해 DoA를 추정하고 지연 없는 제어를 위해 해당 고정 필터를 전환한다.
• 방위각과 고도 분류를 위한 합동 교차 엔트로피 손실을 갖는 다중 작업 CNN을 사용한다.

실험 결과

연구 질문

• RQ1 DoA 정보가 잔향 환경에서 고정 필터 ANC의 성능을 향상시킬 수 있는가?
• RQ2 다채널 참조에서 가벼운 CNN이 다양한 소음 및 방 조건하에서 방위각과 고도 DoA를 얼마나 정확하게 추정할 수 있는가?
• RQ3 프레임 레이트 DoA 기반 필터 선택이 속도와 소음 저감 측면에서 전통적 FxLMS 및 기존 SFANC 접근법을 능가하는가?

주요 결과

Metric	SNR 30 dB	SNR 40 dB	SNR 50 dB
Azimuth angle Accuracy	96.4%	96.4%	96.4%
Elevation angle Accuracy	90.7%	90.8%	91.0%

• CNN은 미지의 데이터에서 SNR 30–50 dB에 걸쳐 방위각 분류 정확도 96.4%, 고도 정확도 90.7–91.0%를 달성한다.
• DoA 기반 필터 선택은 FxLMS, SFANC, GFANC에 비해 광대역 및 실제 소음에서 더 빠른 응답과 더 나은 소음 저감을 제공한다.
• CNN 모델은 0.03 million 파라미터, 7.83 ms CPU time, 119.86 M MACs를 가지며 임베디드 배치를 가능하게 한다.
• 사전 학습된 13개의 고정 필터 라이브러리는 효과적인 DoA-특정 제어를 위해 여섯 개 방위각 및 세 개 고도 클래스에 걸쳐 커버한다.
• 방향성 SFANC는 소음 DoA가 사전 학습 위치에서 벗어나도 견고한 성능을 유지하는 반면, SFANC/GFANC는 그렇지 않다.