CN108805104A - 个性化hrtf获取系统 - Google Patents

个性化hrtf获取系统 Download PDF

Info

Publication number
CN108805104A
CN108805104A CN201810696492.0A CN201810696492A CN108805104A CN 108805104 A CN108805104 A CN 108805104A CN 201810696492 A CN201810696492 A CN 201810696492A CN 108805104 A CN108805104 A CN 108805104A
Authority
CN
China
Prior art keywords
hrtf
characteristic angle
parameter
data
angle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810696492.0A
Other languages
English (en)
Other versions
CN108805104B (zh
Inventor
李晓东
原帅
庄迁政
胡墨
王文豪
裘旭益
岳新启
高颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Aeronautical Radio Electronics Research Institute
Original Assignee
China Aeronautical Radio Electronics Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Aeronautical Radio Electronics Research Institute filed Critical China Aeronautical Radio Electronics Research Institute
Priority to CN201810696492.0A priority Critical patent/CN108805104B/zh
Publication of CN108805104A publication Critical patent/CN108805104A/zh
Application granted granted Critical
Publication of CN108805104B publication Critical patent/CN108805104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种个性化HRTF获取系统，包含预处理模块和HRTF获取模块，所述预处理模块用于将采集到的使用者的生理参数与“关键人体参数与特征角度HRTF映射网络”进行匹配，获取与该使用者匹配的特征角度HRTF数据；HRTF获取模块用于首先将获取的与使用者匹配的特征角度HRTF数据作为训练样本，通过径向基神经网络训练，得到“空间位置信息与特征角度HRTF数据映射网络”；再将输入的方位角度信息与“空间位置信息与特征角度HRTF数据映射网络”进行匹配，获得对应的个性化HRTF数据。本发明可以获取针对不同个体在任意角度上匹配的HRTF数据，从而解决对高空间分辨率和个性化的需求。

Description

个性化HRTF获取系统
技术领域
本发明涉及于三维虚拟声合成技术领域，是一种高空间分辨率的个性化 HRTF获取系统，可以获取针对不同个体在任意角度上匹配的HRTF数据。
背景技术
头相关传输函数(HRTF)是虚拟声合成的核心技术，它描述的是自由场下 声源到双耳之间的传输函数，是人体结构对声波综合滤波的结果，包含着关于 声源定位的大部分信息。HRTF是与空间位置信息和人体参数有关的物理量。
一方面，由于HRTF数据和人体生理参数关系联系比较紧密，不同的生理参 数所对应的HRTF数据各不相同。它表征了声音从声源到双耳传输过程中人体 各个生理器官，如头部、耳廓、肩膀、躯干等对声音综合滤波的结果。不同听 者具有不同的个性化生理参数，所以HRTF是一个因人而异的个性化物理量。 个性化HRTF可以通过实验室测量或数值计算获取。但是，由于实验计算获取 HRTF十分耗时耗力，一般在很多虚拟声的应用中，都退而求其次使用固定单一 的HRTF数据库，这必然会影响到声像定位的精度和效果。
另一方面，现有的HRTF数据库大多都存在空间分辨率不高的问题。完整的 HRTF数据测量需要对所有不同声源位置进行测量，即便是远场的HRTF，虽然 测量时声源的距离是固定不变的，但对不同声源空间方向进行测量也是一个十 分耗时的工作，通常需要对成百上千个空间方向进行测量。正是由于这种复杂 性，HRTF的测量都是在一些事先设定好的有限方位上进行的。目前国内外多个 机构已经完成HRTF数据测量，但测量角度方位都很有限，如麻省理工学院多 媒体实验室(MIT Media Lab)的KEMAR人工头数据库，在水平角上的测量间隔 是5°，在仰角上也是-40°到90°非均匀采集的；加州大学CIPIC实验室的数 据库中仅在-45°到45°之间是均匀采集的。
人体生理参数和空间方位角度信息是影响HRTF数据和定位效果的两大因素， 目前尚未有方法同时获取高分辨的个性化HRTF数据。
发明内容
本发明的发明目的在于提供了一种个性化HRTF获取系统，可以获取针对 不同个体在任意角度上匹配的HRTF数据，从而解决对高空间分辨率和个性化 的需求。
本发明的发明目的通过以下技术方案实现：
一种个性化HRTF获取系统，包含预处理模块和HRTF获取模块，其中：
所述预处理模块用于将采集到的使用者的生理参数与“关键人体参数与特 征角度HRTF映射网络”进行匹配，获取与该使用者匹配的特征角度HRTF数据；
HRTF获取模块用于首先将获取的与使用者匹配的特征角度HRTF数据作为 训练样本，通过径向基神经网络训练，得到“空间位置信息与特征角度HRTF数 据映射网络”；再将输入的方位角度信息与“空间位置信息与特征角度HRTF数 据映射网络”进行匹配，获得对应的个性化HRTF数据。
优选地，所述使用者的生理参数包含耳甲腔长、耳长、耳宽、耳屏切迹、 头宽、颈深、肩宽和外耳张角。
优选地，所述“关键人体参数与特征角度HRTF映射网络”通过以下方式获 取：
步骤一，分析人体参数与HRTF的相关性，根据相关性获取关键人体参数；
步骤二，利用局部线形嵌入的方法将HRTF数据映射到二维空间，在二维空 间得到HRTF的局部线性特征后提取特征角度HRTF；
步骤三，利用步骤一中得到的关键人体参数和步骤二中得到的特征角度 HRTF作为训练样本，利用BP神经网络，计算得到关键人体参数与特征角度 HRTF之间的映射关系。
优选地，所述步骤二中在二维空间得到HRTF的局部线性特征后提取特征角 度HRTF具体做法为：在二维空间，通过对二维流形的边缘两点进行直线拟合， 添加新的数据点后，下一点与前一段直线进行拟合，在计算出本段直线斜率与 前一段直线斜率的误差δi后，将误差δi与设定的允许误差δ进行比较，若满足δi≤δ 则认为两段直线端点之间仍是线性关系，反之，不是线性关系则将这一点所对 应的高维HRTF数据作为特征角度的HRTF。
优选地，个性化HRTF获取系统还包含生理参数采集模块，用于采集使用者 的正面与侧面的上身图像，通过图像处理获取生理参数，将生理参数输入到预 处理模块中。
附图说明
图1：本发明的结构示意图；
图2A：生理参数中关键头部示意图；
图2B：生理参数中躯干参数示意图；
图2C：生理参数中关键耳廓参数示意图一；
图2D：生理参数中关键耳廓参数示意图二；
图3：实验获取的分辨率5°的原始HRTF数据；
图4：本发明获得的分辨率1°的高分辨率HRTF数据。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。本实施例中HRTF数 据库以美国CIPIC实验室所提供的HRTF数据库为例。
参见图1所示，本实施例提供的个性化HRTF获取系统，包含预处理模块和 HRTF获取模块。
预处理模块用于将采集到的使用者的生理参数与“关键人体参数与特征角 度HRTF映射网络”进行匹配，获取与该使用者匹配的特征角度HRTF数据。
“关键人体参数与特征角度HRTF映射网络”为预先建立好，存储在预处理 模块中，“关键人体参数与特征角度HRTF映射网络”可以通过以下步骤建立：
步骤1.1，分析人体参数与HRTF的相关性，根据相关性获取关键人体参数。 具体为：
实际对使用者不可能测量全部的生理参数信息，需选择主要影响HRTF的几 个关键生理参数。采用相关性分析：
(1)式中，X为人体参数矩阵；Y为HRTF矩阵或者人体参数矩阵；r为计算 得出的相关系数；当Y为人体参数矩阵时，得到的r为每个人体参数之间的相 关系数，取r较小的人体参数；当Y为HRTF矩阵时，得到的r为每个人体参数 与HRTF之间的相关系数，取r较大的人体参数；N为数据集的大小，当Y为 人体参数矩阵时，i表示从人体参数的索引；当Y为HRTF矩阵时，i表示某个 方向上HRTF数据的索引。
使用CIPIC数据库提供的35个无损受试者的27个生理参数信息，经过对所 有受试者样本数据分析，关键生理参数选定为d1耳甲腔长，d5耳长，d6耳宽，d7耳 屏切迹，x1头宽，x8颈深，x12肩宽，θ2外耳张角，参见图2A、2B、2C、2D所示。
步骤1.2，利用局部线形嵌入的方法将HRTF数据映射到二维空间，在二维 空间得到HRTF的局部线性特征后提取特征角度HRTF。
HRTF数据在邻近角度具有局部线性特征，为了准确获取这种局部线性特征， 利用局部线形嵌入的方法将高维空间的HRTF数据映射到二维空间中，可以在 二维空间中较为容易地观察邻近角度HRTF具体的局部线性特征。在得到HRTF 的局部线性特征后，就可以提取特征角度HRTF，具体做法为：在二维空间，通 过对二维流形的边缘两点进行直线拟合，添加新的数据点后，下一点与前一段 直线进行拟合，在计算出本段直线斜率与前一段直线斜率的误差δi后，将其与设 定的允许误差δ进行比较，若满足δi≤δ则可以认为两段直线端点之间仍是线性关 系。反之，不是线性关系则将这一点所对应的高维HRTF数据作为特征角度的HRTF。通过对特征角度HRTF的提取，能够对原始HRTF数据进行压缩，达到 减少存储量的目的，同时，人体参数与HRTF数据之间映射关系的计算量也会 降低。
步骤1.3，关键人体参数和特征角度HRTF数据映射。
利用步骤1.1中相关性分析得到的关键人体参数数据和步骤1.2中得到的特 征角度HRTF作为训练样本，利用BP神经网络，计算得到关键人体参数与特征 角度HRTF之间的映射关系，从而得到“关键人体参数与特征角度HRTF映射网 络”。
HRTF获取模块用于首先将获取的与使用者匹配的特征角度HRTF数据作为 训练样本，通过径向基神经网络训练，得到“空间位置信息与特征角度HRTF数 据映射网络”；再将输入的方位角度信息与“空间位置信息与特征角度HRTF数 据映射网络”进行匹配，获得对应的个性化HRTF数据。HRTF获取模块采用在线 处理，具体为：
步骤2.1，将获取的匹配特征角HRTF数据作为训练样本，通过径向基神经 网络训练，得到空间位置信息与其对应HRTF数据的映射关系。即通过K均值 聚类方法确定隐含层高斯函数的聚类中心xj，隐含层高斯函数为：
其中K为聚类中心的个数。所有的隐含层的输出为Φ(xi)，输出层的训练样本 为其中di为目标HRTF数据。再通过递推最小二乘方法对输出层训练 样本进行训练，得到权值向量wj的更新。从而最终构造出映射关系的逼 近数学形式：
步骤2.2，输入所需方位角信息获取对应个性化HRTF数据。
在个性化HRTF获取系统中，还可以设置一个生理参数采集模块，使用者通 过摄像头或提供正面与侧面上身图像输入到生理参数采集模块，通过图像处理 获取其关键生理参数，将关键生理参数输入预处理模块中得到与该使用者匹配 的特征角度HRTF数据。
本发明提供的一种高空间分辨率的个性化HRTF获取方法可以获取针对不 同个体在任意角度上匹配的HRTF数据，从而解决对高空间分辨率和个性化的 需求。本发明的实验效果参见图3、图4所示，图3为实验获取的分辨率5°的 原始HRTF数据，图4为本发明获得的分辨率1°的高分辨率HRTF数据。

Claims (5)

1.一种个性化HRTF获取系统，包含预处理模块和HRTF获取模块，其特征在于：
所述预处理模块用于将采集到的使用者的生理参数与“关键人体参数与特征角度HRTF映射网络”进行匹配，获取与该使用者匹配的特征角度HRTF数据；
HRTF获取模块用于首先将获取的与使用者匹配的特征角度HRTF数据作为训练样本，通过径向基神经网络训练，得到“空间位置信息与特征角度HRTF数据映射网络”；再将输入的方位角度信息与“空间位置信息与特征角度HRTF数据映射网络”进行匹配，获得对应的个性化HRTF数据。
2.根据权利要求1所述的一种个性化HRTF获取系统，其特征在于所述使用者的生理参数包含耳甲腔长、耳长、耳宽、耳屏切迹、头宽、颈深、肩宽和外耳张角。
3.根据权利要求1所述的一种个性化HRTF获取系统，其特征在于所述“关键人体参数与特征角度HRTF映射网络”通过以下方式获取：
步骤一，分析人体参数与HRTF的相关性，根据相关性获取关键人体参数；
步骤二，利用局部线形嵌入的方法将HRTF数据映射到二维空间，在二维空间得到HRTF的局部线性特征后提取特征角度HRTF；
步骤三，利用步骤一中得到的关键人体参数和步骤二中得到的特征角度HRTF作为训练样本，利用BP神经网络，计算得到关键人体参数与特征角度HRTF之间的映射关系。
4.根据权利要求1所述的一种个性化HRTF获取系统，其特征在于所述步骤二中在二维空间得到HRTF的局部线性特征后提取特征角度HRTF具体做法为：在二维空间，通过对二维流形的边缘两点进行直线拟合，添加新的数据点后，下一点与前一段直线进行拟合，在计算出本段直线斜率与前一段直线斜率的误差δi后，将误差δi与设定的允许误差δ进行比较，若满足δi≤δ则认为两段直线端点之间仍是线性关系，反之，不是线性关系则将这一点所对应的高维HRTF数据作为特征角度的HRTF。
5.根据权利要求1所述的一种个性化HRTF获取系统，其特征在于还包含生理参数采集模块，用于采集使用者的正面与侧面的上身图像，通过图像处理获取生理参数，将生理参数输入到预处理模块中。
CN201810696492.0A 2018-06-29 2018-06-29 个性化hrtf获取系统 Active CN108805104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810696492.0A CN108805104B (zh) 2018-06-29 2018-06-29 个性化hrtf获取系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810696492.0A CN108805104B (zh) 2018-06-29 2018-06-29 个性化hrtf获取系统

Publications (2)

Publication Number Publication Date
CN108805104A true CN108805104A (zh) 2018-11-13
CN108805104B CN108805104B (zh) 2022-03-08

Family

ID=64072662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810696492.0A Active CN108805104B (zh) 2018-06-29 2018-06-29 个性化hrtf获取系统

Country Status (1)

Country Link
CN (1) CN108805104B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111246345A (zh) * 2020-01-08 2020-06-05 华南理工大学 一种远程声场实时虚拟重现的方法与装置
CN111949846A (zh) * 2020-08-13 2020-11-17 中航华东光电（上海）有限公司 一种基于主成分分析和稀疏表示的hrtf个人化方法
CN113806679A (zh) * 2021-09-13 2021-12-17 中国政法大学 一种基于预训练模型的头相关传输函数的个性化方法
CN114067832A (zh) * 2021-11-11 2022-02-18 中国科学院声学研究所 一种头相关传输函数的预测方法、装置和电子设备
WO2023000088A1 (en) * 2021-07-19 2023-01-26 Mcmaster University Method and system for determining individualized head related transfer functions

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101511047A (zh) * 2009-03-16 2009-08-19 东南大学 双声道立体声分别基于音箱与耳机的三维音效处理方法
CN103294647A (zh) * 2013-05-10 2013-09-11 上海大学 基于正交张量近邻保持嵌入的头相关传输函数降维方法
CN104503963A (zh) * 2014-09-26 2015-04-08 大连理工大学 头相关脉冲响应数据集处理方法
CN106231528A (zh) * 2016-08-04 2016-12-14 武汉大学 基于分段式多元线性回归的个性化头相关传递函数生成系统及方法
US20170289719A1 (en) * 2016-03-30 2017-10-05 Microsoft Technology Licensing, Llc Application programing interface for adaptive audio rendering
CN107480100A (zh) * 2017-07-04 2017-12-15 中国科学院自动化研究所 基于深层神经网络中间层特征的头相关传输函数建模系统
CN107820158A (zh) * 2017-07-07 2018-03-20 大连理工大学 一种基于头相关脉冲响应的三维音频生成装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101511047A (zh) * 2009-03-16 2009-08-19 东南大学 双声道立体声分别基于音箱与耳机的三维音效处理方法
CN103294647A (zh) * 2013-05-10 2013-09-11 上海大学 基于正交张量近邻保持嵌入的头相关传输函数降维方法
CN104503963A (zh) * 2014-09-26 2015-04-08 大连理工大学 头相关脉冲响应数据集处理方法
US20170289719A1 (en) * 2016-03-30 2017-10-05 Microsoft Technology Licensing, Llc Application programing interface for adaptive audio rendering
CN106231528A (zh) * 2016-08-04 2016-12-14 武汉大学 基于分段式多元线性回归的个性化头相关传递函数生成系统及方法
CN107480100A (zh) * 2017-07-04 2017-12-15 中国科学院自动化研究所 基于深层神经网络中间层特征的头相关传输函数建模系统
CN107820158A (zh) * 2017-07-07 2018-03-20 大连理工大学 一种基于头相关脉冲响应的三维音频生成装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LIN LI等: "HRTF personalization modeling based on RBF neural network", 《2013 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING》 *
钟小丽等: "使用神经网络进行中垂面头相关传输函数外插", 《中国声学学会2005年青年学术会议论文集》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111246345A (zh) * 2020-01-08 2020-06-05 华南理工大学 一种远程声场实时虚拟重现的方法与装置
CN111246345B (zh) * 2020-01-08 2021-09-21 华南理工大学 一种远程声场实时虚拟重现的方法与装置
CN111949846A (zh) * 2020-08-13 2020-11-17 中航华东光电（上海）有限公司 一种基于主成分分析和稀疏表示的hrtf个人化方法
WO2023000088A1 (en) * 2021-07-19 2023-01-26 Mcmaster University Method and system for determining individualized head related transfer functions
CN113806679A (zh) * 2021-09-13 2021-12-17 中国政法大学 一种基于预训练模型的头相关传输函数的个性化方法
CN113806679B (zh) * 2021-09-13 2024-05-28 中国政法大学 一种基于预训练模型的头相关传输函数的个性化方法
CN114067832A (zh) * 2021-11-11 2022-02-18 中国科学院声学研究所 一种头相关传输函数的预测方法、装置和电子设备
CN114067832B (zh) * 2021-11-11 2024-05-14 中国人民解放军空军特色医学中心 一种头相关传输函数的预测方法、装置和电子设备

Also Published As

Publication number Publication date
CN108805104B (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
CN108805104A (zh) 个性化hrtf获取系统
CN106097348B (zh) 一种三维激光点云与二维图像的融合方法
CN109801294A (zh) 三维左心房分割方法、装置、终端设备及存储介质
CN109614935A (zh) 车辆定损方法及装置、存储介质及电子设备
CN104392426B (zh) 一种自适应的无标志点三维点云自动拼接方法
CN108024762A (zh) 耳形状分析方法、耳形状分析装置以及耳形状模型生成方法
CN105654483B (zh) 三维点云全自动配准方法
CN113049873B (zh) 电流传感器、电流测量设备、系统、装置和存储介质
CN109544623A (zh) 车辆损伤区域的测量方法和装置
CN112509119B (zh) 针对颞骨的空间数据处理及定位方法、装置及电子设备
CN102075785B (zh) 一种atm机广角摄像机镜头畸变校正方法
CN111027140B (zh) 基于多视角点云数据的飞机标准件模型快速重构方法
CN109558902A (zh) 一种快速目标检测方法
CN106447707B (zh) 一种图像实时配准方法及系统
CN107194361A (zh) 二维姿势检测方法及装置
CN112381862B (zh) 一种cad模型与三角网格全自动配准方法和装置
CN112884820B (zh) 一种影像初始配准及神经网络的训练方法、装置和设备
CN109816779A (zh) 一种使用智能手机重建人工林森林模型获取单木参数的方法
CN108830888A (zh) 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法
CN113674338A (zh) 双心室量化方法、装置、电子设备及存储介质
CN115170629A (zh) 一种伤口信息获取方法、装置、设备及存储介质
CN108470149A (zh) 一种基于光场相机的3d四维数据采集方法及装置
CN110517300B (zh) 基于局部结构算子的弹性图像配准算法
CN109902641A (zh) 基于语义对齐的人脸关键点检测方法、系统、装置
CN113806679B (zh) 一种基于预训练模型的头相关传输函数的个性化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant