Plate-Reverb: быстрая оценка параметров ревербератора по IR

Эта короткая DAFx-статья полезна для акустического моделирования: она оценивает параметры plate reverb по одному impulse response без итерационного поиска на каждом примере. Вместо particle swarm optimization авторы переносят дорогие simulator calls в offline training и обучают ансамбль деревьев на признаках амплитуды, спектра и затухания. Для аудиоинженерии это практичный trade-off: меньше физической элегантности на inference, зато сильно быстрее оценка параметров.

Метод. Task A в 1st DAFx Parameter Estimation Challenge требует оценить шестимерный вектор physical/observation parameters: surface density, normalized stiffness, normalized tension, Ly и координаты output location xo, yo. Из impulse response строится фиксированный feature vector, затем отдельные normalized regressors предсказывают параметры. Финальный tree ensemble объединяет ExtraTrees и HGB-подходы, после чего официальный simulator может сгенерировать восстановленный отклик.

Результаты. На двух независимых simulator-matched validation sets final ensemble получает NMSE 0.011886 и 0.012935. Это лучше training-set mean 0.047229/0.047080 и raw ExtraTrees 0.026776/0.022619. На Validation 2 official default PSO дает NMSE 0.046023, а final ensemble 0.012935, то есть снижение NMSE на 71.9%. По времени разница ключевая: PSO потребовал 2252.59 s, а final ensemble 10.75 s с загрузкой модели и feature extraction, примерно 210-кратное ускорение. На 16 released targets медианный log-spectrum RMSE равен 4.63 dB, largest mismatch 13.66 dB для IR 0012.

Ограничения. Official labels для released responses скрыты, поэтому точность параметров измеряется только на simulator-matched data, а released set дает лишь audio-side consistency checks. Валидационные наборы маленькие. Сравнение с PSO использует один default budget; больше итераций или рестартов могли бы улучшить PSO. Метод выдает point estimates без uncertainty и не проверен на измеренных физических plate reverbs с mismatch относительно simulator.

Фишка из статьи. Самая важная деталь - не просто лучший NMSE, а амортизация поиска: expensive simulation переносится в обучение, и на inference остается один проход регрессора. Это типичный полезный прием для room/acoustics задач, где нужно быстро подбирать параметры эффекта по измеренному IR.

Как это читать: HGB чуть лучше ensemble на Validation 2 по NMSE, но ensemble лучший на Validation 1 и все равно резко быстрее PSO. Поэтому это не доказательство универсально лучшего регрессора, а сильный baseline для быстрого inverse estimation в plate-reverb моделях.