基于机器学习的头相关传递函数个性化技术综述：现状、挑战与未来展望

《IEEE Open Journal of Signal Processing》：A Survey on Machine Learning Techniques for Head-Related Transfer Function Individualization

本综述系统回顾了机器学习(ML)在头相关传递函数(HRTF)个性化领域的研究进展。为解决非个体化HRTF导致的虚拟听觉空间定位失真问题，研究人员从输入数据类型（形态学、视觉、感知反馈、双耳录音）、预处理方法、ML模型（线性回归、神经网络、稀疏表示等）及评估指标（谱失真SD、感知实验）等多维度进行了全面分析。结果表明，尽管神经网络方法在客观指标上表现优异（平均SD约4-5 dB），但仍未达到个体HRTF水平（参考数值模拟与实测HRTF差异约2 dB）。该研究为空间音频技术的标准化发展提供了重要参考框架，并指出未来需关注数据集融合、可解释AI及生态效度验证等方向。

　　

在虚拟现实(VR)和增强现实(AR)技术飞速发展的今天，逼真的空间音频体验已成为提升沉浸感的关键要素。头相关传递函数(Head-Related Transfer Function, HRTF)作为描述声波与人体相互作用的空间线索编码器，是实现三维声音定位的核心工具。然而，由于HRTF高度依赖个体的解剖特征（如头躯干尺寸、耳廓形态），使用非个体化HRTF会导致声音定位错误、前后混淆、缺乏外部化等问题，严重制约了沉浸式听觉体验的质量。传统HRTF个体化方法如数值模拟耗时昂贵，基于选择的匹配法精度有限，而机器学习(ML)技术有望通过数据驱动方式突破这些瓶颈。

本研究通过系统文献综述（涵盖76篇关键论文），首次从机器学习工作流的角度对HRTF个体化研究进行了结构化梳理。研究团队采用PRISMA方法论筛选文献，重点关注ML模型在HRTF预测中的输入数据预处理、模型架构、训练策略及评估标准。技术方法的核心包括：1) 利用公开HRTF数据集（如CIPIC、HUTUBS）的声学测量或数值模拟数据；2) 多类型输入特征处理（如 anthropometric 参数标准化、图像特征提取）；3) 采用主成分分析(PCA)、球形谐波(SH)等降维技术处理高维HRTF数据；4) 对比线性回归、神经网络(NN)、支持向量回归(SVR)等ML模型性能。

输入数据类型与预处理

研究显示，78%的文献采用形态学数据（以CIPIC anthropometric 参数为主），其中耳廓参数如cavum concha宽度(d₃)被频繁选择（出现率82%），印证了耳廓形态对HRTF谱凹陷特征的关键影响。输入预处理中，特征缩放（如min-max归一化）和特征选择（通过相关性分析或模型重要性评估）是提升模型泛化能力的常用手段。视觉数据（如耳廓图像、3D扫描）虽能避免手动测量误差，但当前性能仍略低于anthropometric 方法（平均SD分别为5.4 dB vs. 5.31 dB）。

输出表征与降维策略

HRTF个性化主要聚焦幅度谱预测，相位信息常通过最小相位函数与ITD延迟近似处理。为降低数据维度，PCA是最主流技术（34%研究未降维），其前5-20个主成分(PCs)可解释90%以上方差。非线性方法如Isomap在特定场景下优于PCA，而自编码器(autoencoder)在结合感知反馈优化时表现出更高信号失真比(SDR)。

机器学习模型比较

神经网络（46%）和线性回归（33%）是两大主流方法。研究表明，DNNs在客观指标上显著优于线性模型（SD降低约0.5-1 dB），但树模型（如LightGBM）在最新研究中展现了潜力（SD可达2.3 dB）。值得注意的是，稀疏表示方法通过anthropometric 特征的线性组合直接映射HRTF，在保持可解释性同时实现了竞争性性能（平均SD约5.5 dB）。

评估与局限性

尽管多数研究以谱失真(SD)为核心指标，但其与感知定位准确性的关联仍存疑。例如，Tommasini等发现SD降低未必对应耳廓谱峰谷误差改善。感知实验参与规模偏小（通常<10人），且缺乏标准化协议。跨数据集训练挑战突出：不同HRTF数据库的测量条件差异（如设备、空间网格）导致模型泛化能力受限，目前仅少数研究尝试数据集融合（如CIPIC与HUTUBS的均值-方差对齐）。

结论与展望

机器学习为HRTF个性化提供了高效建模框架，但当前技术仍面临三大挑战：1) 数据层面，小样本（如CIPIC仅45人）制约复杂模型训练，需扩大数值模拟数据集（如CHEDAR含1253人）并解决跨库差异；2) 评估层面，应超越SD指标，结合听觉模型（如Baumgartner模型）和生态效度实验（如VR多模态场景）；3) 技术层面，可探索Transformer架构、少样本学习及可解释AI以增强模型透明度。未来研究需向标准化、开放科学范式转变，通过社区挑战（如LAP挑战赛）推动技术落地，最终实现与个体解剖特征无缝匹配的空间音频渲染。