EquiSELD：等变声事件定位与检测网络的高效训练

一阶 Ambisonics（FOA）信号表现出精确的 O(3) 对称性：FOA 信号的旋转或反射会改变声源的到达方向，同时保持声源本身不变。以往利用 FOA 的这种空间对称性来提高声事件检测与定位（SELD）系统效率和鲁棒性的尝试，要么仅通过基于旋转的数据增强学习到对称性的近似，要么依赖计算成本高昂的方法来整合等变性。此外，先前工作仅关注 SO(3) 等变性，使得将 O(3) 等变性纳入 SELD 任务的潜力仍不明确。为了解决这些局限，我们开发了 EquiSELD。该等变注意力网络将一阶 Ambisonics 作为成对的 O(3) 不变标量流和等变强度向量流进行处理，并通过 Multi-ACCDOA 读出生成不变的活动幅度和等变的 DOA。为比较 O(3) 与 SO(3) 等变性的影响，我们设计了一个匹配的仅 SO(3) 变体。EquiSELD 在使用实测 RIR 的模拟场景和真实世界声场景录音上均优于以往的等变网络，且训练成本仅为其一小部分。此外，在模拟真实世界声场景中，EquiSELD 超越了规模相近的非等变 SELD 网络的性能，并在真实世界声场景上取得了具有竞争力的性能。