发表机构
Laboratoire Interdisciplinaire des Sciences du Numérique; Université Paris-Saclay; Inria; CNRS; CentraleSupélec（跨学科数字科学实验室; 巴黎萨克雷大学; 法国国家信息与自动化研究所; 法国国家科学研究中心; 中央理工-高等电力学院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
针对DAFx挑战赛任务A，提出基于仿真的推理方法，训练神经网络从脉冲响应估计板混响参数，并通过额外仿真轮次微调网络以提升精度。
AI 中文摘要
我们解决了第一届DAFx参数估计挑战赛的任务A，该任务旨在从脉冲响应中检索板模型的物理参数。为此，我们使用了基于仿真的推理（SBI）框架，在该框架中，我们训练一个神经网络，以根据脉冲响应估计板参数上的密度，使用由仿真器生成的数据集进行训练。对新脉冲响应的推理仅需通过网络进行一次前向传播，而不涉及仿真器。对于每个测试观测，我们微调一个特定的网络：通过从当前估计的分布中采样参数来执行额外的仿真轮次，仿真相应的脉冲响应，并微调以产生专门化的网络。
英文摘要
We address Task A of the 1st DAFx Parameter Estimation Challenge, which aims to retrieve the physical parameters of a plate model from an impulse response. To do so, we use the Simulation-Based Inference (SBI) framework, in which we train a neural network to estimate a density over plate parameters given an impulse response, using a dataset generated by the simulator. Inference for a new impulse response then requires only a forward pass through the network, without involving the simulator. For each test observation, we fine-tune a specific network: additional simulation rounds are performed by sampling parameters from the current estimated distribution, simulating the corresponding impulse responses, and fine-tuning to produce the specialized network.
Journal refProc. 29th Int. Conf. Digital Audio Effects (DAFx26), Cambridge, MA, USA, 1-4 Sept. 2026 (Parameter Estimation Challenge, Task A)
