물리 기반 변분 모델을 활용한 무감독 음원 추적

초록

본 논문은 마이크 배열 신호에서 라벨이 없는 상태로 단일 음원의 방향을 추정하기 위해, 변분 오토인코더와 물리적 디코더를 결합한 새로운 프레임워크를 제안한다. GCC‑PHAT 특성을 입력으로 사용하고, 잠재 변수는 단위 구면 위의 von Mises‑Fisher 분포로 모델링한다. 디코더는 잠재 변수로부터 기하학적 제약을 이용해 쌍별 시간 지연(TDOA) 확률을 계산하고, 이를 ELBO에 포함시켜 무감독 학습을 수행한다. 실험 결과, 제안 방법은 전통적인 SRP·MUSIC·ESPRIT뿐 아니라 최신 지도 학습 기반 모델과도 경쟁하는 정확도와 연산 효율을 보이며, 배열 기하가 변하거나 마이크 위치 메타데이터가 손상된 경우에도 강인함을 나타낸다. 또한 다중 음원 확장에 대한 이론적 방향도 제시한다.

상세 분석

이 연구는 음원 추적 문제를 “물리‑기반 확률 모델 + 데이터‑구동 학습”이라는 두 축으로 재구성한다는 점에서 의미가 크다. 먼저 입력으로 사용된 GCC‑PHAT는 기존 SRP에서 활용되는 교차상관 기반 특징을 주파수‑위상 정보까지 보존하도록 변환한 것으로, 잡음에 강하고 시간 지연을 직접적으로 드러낸다. 이러한 고차원 시계열을 변분 인코더에 투입함으로써, 인코더는 입력 분포를 압축된 잠재 공간으로 매핑한다. 여기서 잠재 변수 z는 단위 구면 위의 방향을 나타내며, von Mises‑Fisher(vMF) 분포를 통해 평균 방향 µ와 집중도 κ를 파라미터화한다. vMF는 구면 위의 확률밀도를 자연스럽게 정의하므로, azimuth와 elevation을 별도 정규화 없이 직접 모델링할 수 있다.

디코더는 전통적인 신경망 파라미터가 아니라 물리 법칙, 즉 소스 위치와 마이크 쌍 사이의 기하학적 관계를 이용한다. 구체적으로, 잠재 변수 z(=단위 방향 벡터)를 실제 좌표계에 투영하고, 각 마이크 쌍 (i, j)에 대해 이론적 시간 지연 ˆτₖ = (v_i‑v_j)ᵀz / c·F_s 를 계산한다. 이후 Gaussian 형태의 로그리트(ℓₖ) 를 만들어 시간 지연 bin에 대한 확률분포 p(τₖ|z)를 얻고, softmax로 정규화한다. 이 물리‑기반 likelihood는 ELBO의 재구성 항에 직접 삽입되어, 네트워크가 “시간 지연과 실제 배열 기하 사이의 일치”를 최소화하도록 유도한다. 따라서 학습 과정에서 라벨이 전혀 필요 없으며, 물리적 제약이 잠재 공간을 의미 있게 정렬한다.

또한 KL 발산에 β‑스케일링을 적용해 과도한 정규화를 방지하고, σ(시간 지연의 전역 표준편차)와 같은 하이퍼파라미터를 통해 불확실성을 조절한다. 실험에서는 실제 실내 녹음 데이터를 사용해 SRP, MUSIC, ESPRIT 등 전통적 방법과 Cross3D, Neural‑SRP 같은 최신 지도 학습 모델과 비교했으며, 제안 모델이 비슷하거나 약간 우수한 DOA 추정 정확도를 보였다. 특히, 훈련 시 사용한 배열과 테스트 시 사용한 배열이 다를 경우에도 성능 저하가 미미했으며, 마이크 위치 메타데이터에 잡음이 추가돼도 추정이 크게 흔들리지 않았다. 이는 물리 디코더가 메타데이터를 “soft constraint” 로만 사용하고, 데이터 자체에서 강인한 특징을 학습하기 때문이다. 마지막으로 다중 음원 상황을 다루기 위해 잠재 변수를 복수 개로 확장하고, 각 소스에 대한 독립적인 TDOA likelihood를 합성하는 방식을 제안했으며, 이는 향후 연구 방향을 제시한다.

전반적으로 이 논문은 “물리‑인포메이션을 손실 함수에 직접 삽입”함으로써 라벨이 없는 환경에서도 고성능 음원 추적을 가능하게 만든 점이 가장 큰 공헌이며, 변분 프레임워크와 구면 확률분포의 결합이 향후 다른 공간 인식 문제에도 적용될 가능성을 열어준다.