麻省理工学院和IBM Watson AI Lab的研究人员创建了一个机器学习模型,用于预测听众在3D空间内的不同位置上会听到什么。
研究人员首先使用这个机器学习模型来了解房间中的任何声音是如何在空间中传播的,按照人们通过声音理解自身所处环境的方式构建3D房间的图景。
在麻省理工学院电气工程与计算机科学系(EECS)研究生Yilun Du共同撰写的一篇论文中,研究人员们展示了如何将类似于视觉3D建模的技术应用于声学领域。
但是他们要面对声音和光线传播的不同之处。例如,由于障碍物、房间的形状和声音的特性,听众处在房间中不同的位置可能会对声音产生非常不同的印象,从而让结果变得难以预测。
为了解决这个问题,研究人员们在他们的模型中建立了声学特征。首先,在所有其他条件都相同的情况下,交换声音源和听众的位置不会改变听众听到的内容。声音还特别受本地条件影响,例如位于听众和声音源之间的障碍物。
Du表示:“到目前为止,大多数研究人员只专注于视觉建模。但是作为人类,我们有多种感知模式。不仅视觉很重要,声音也很重要。我认为这项工作开辟了一个令人兴奋的研究方向,可以更好地利用声音来模拟世界。”
使用这种方法,生成的神经声场(NAF)模型能够对网格上的点进行随机采样,以了解特定位置的特征。例如,靠近门口会极大地影响听众听见房间另一侧声响的内容。
该模型能够根据听众在房间中的相对位置预测听众可能从特定声学刺激中听到的内容。
这篇论文表示:“通过将场景中的声学传播建模为线性时不变系统,NAF学会不断地将发射器和听众的位置映射到神经脉冲响应函数,后者可以应用于任意声音。”“我们证明了NAF的连续性让我们能够在任意位置为听众渲染空间声音,并且可以预测声音在新位置的传播。”
MIT-IBM Watson AI Lab的首席研究员Chuang Gan 也参与了该项目,他表示:“这项新技术可能会为在元宇宙应用程序创建多模态沉浸式体验带来新的机会。”
我们知道不是所有 Reg 读者都会对这个用例感到兴奋。
好文章,需要你的鼓励
卢森堡大学研究团队开发的RLDP框架首次将强化学习应用于差分隐私优化,创造性地解决了AI训练中隐私保护与模型效果的矛盾。该方法如同智能教练,能动态调整隐私保护策略,在四种语言模型上实现平均5.6%的性能提升和71%的训练时间缩短,同时增强了抗隐私攻击能力,为敏感数据的AI应用开辟了新路径。
这项由北京大学人工智能研究院完成的研究,首次从数据压缩理论角度揭示了大型语言模型存在"弹性"现象——即使经过精心安全对齐,模型仍倾向于保持预训练时的行为分布。
腾讯混元团队联合北京大学提出MixGRPO技术,通过混合ODE-SDE采样策略和滑动窗口机制,将AI图像生成训练效率提升50%-71%,同时在多项人类偏好评估指标上超越现有方法。该技术采用"从难到易"的渐进优化策略,专注于图像生成早期阶段的重点优化,并引入高阶求解器进一步加速训练过程,为AI图像生成的产业化应用提供了更高效可行的解决方案。