ICASSP 2026 论文预讲会由CCF语音对话与听觉专委会、语音之家主办，旨在为学者们提供更多的交流机会，更方便、快捷地了解领域前沿。活动将邀请 ICASSP 2026 录用论文的作者进行报告交流。

ICASSP 2026 论文预讲会第四期邀请到 南洋理工大学 DSP Lab 做本次会议的专场分享，欢迎大家观看。

实验室概况
南洋理工大学 DSP Lab是新加坡南洋理工大学的信号处理实验室，在将先进的DSP研究工作转化为实际应用中发挥着重要作用。DSP Lab与DaimlerChrysler（德国）、新加坡科技动力、Texas Instruments（美国）、Analog Devices（美国）、Excelpoint System、TechSource以及A * STAR等研究机构和公司合作多个项目。自成立以来，DSP Lab已经培养了300多名学生，在实时DSP实现和应用、音频和声学信号处理、DSP编程等领域取得了很多科研成果。

第四期南洋理工大学 DSP Lab【专场】
时间：3月2日（周一）19:00 ~ 20:15
形式：线上
议程：每位嘉宾分享25分钟（含5分钟QA）

嘉宾&主题

嘉宾简介：罗正丁，南洋理工大学博士，研究方向为基于AI的声学信号处理，特别是基于AI的主动噪声控制（AI ANC），硕士毕业于北京大学。目前已发表47篇国际期刊和会议论文，其中作为第一作者和通讯作者发表论文20篇，包括TASLP、MSSP、NN、SPL、ICASSP、NeurIPS、ICML、ICLR等。2025年获得中国国家优秀自费留学生奖学金。
分享主题：From Generative Fixed-Filter ANC to Stable Hybrid GFANC–FxNLMS via Online Clustering
摘要：本报告介绍了基于深度学习的生成式主动降噪方法（Generative Fixed-Filter Active Noise Control, GFANC）方法及其稳定化扩展。GFANC 通过将单一预训练宽带控制滤波器分解为子滤波器，并利用轻量级卷积神经网络在帧级预测组合权重，实现对不同噪声的快速、稳定降噪，并基于双速率架构成功应用于实际主动降噪耳机系统，验证了其良好的实时性与可迁移性。进一步地，为引入持续自适应能力，GFANC 与 FxNLMS 结合形成 GFANC–FxNLMS 混合框架，但帧级权重波动易导致滤波器频繁重初始化并引发不稳定。为此，引入在线聚类机制约束权重更新，仅在显著变化时触发滤波器更新，从而有效提升系统稳定性，并在保证快速响应的同时实现更低的稳态误差。论文链接：https://arxiv.org/abs/2601.15889

嘉宾简介：季君韦，南洋理工大学(NTU) 电气与电子工程学院（EEE） 博士四年级，主要研究方向：主动噪声控制（ANC），分布式主动降噪，信号处理。
分享主题 ：Distributed Multichannel Active Noise Control with Asynchronous Communication
摘要：分布式多通道主动噪声控制（DMCANC）通过将集中式控制的计算负载分散到多个低成本节点上，实现了大空间范围内的有效噪声抑制。然而，传统的 DMCANC 方法通常假设通信是同步的，并且需要频繁的数据交换，从而带来较高的通信开销。为提高系统效率和适应性，本文提出了一种异步通信策略，其中每个节点运行权重约束的 filtered-x LMS（WCFxLMS）算法，并仅在其本地降噪性能下降时才独立发起通信请求。在接收到请求后，其他节点传输其本地控制滤波器与 WCFxLMS 中心点之间的权重差值，这些信息随后被融合，用于更新控制滤波器及中心点。该设计在保持协同控制行为的同时，使各节点能够异步运行。仿真结果表明，所提出的异步通信分布式多通道主动噪声控制（ACDMCANC）系统在显著降低通信负载的情况下，仍能保持有效的噪声抑制性能，从而为异构网络环境下的系统扩展性提供了更优的解决方案。
论文链接：https://arxiv.org/pdf/2601.15653

嘉宾简介：杨子毅，南洋理工大学(NTU) 电气与电子工程学院（EEE） 博士一年级，硕士毕业于南京大学，主要研究方向：主动噪声控制（ANC），音频信号处理。
分享主题：Co-Initialization of the Control Filter and Secondary Path via Meta-Learning for Active Noise Control
摘要：主动噪声控制（ANC）在声学路径变化时需要快速自适应，而自适应系统的初期性能往往高度依赖系统初始化。为此，本文提出一种基于模型无关元学习（MAML）的协同初始化方法，在不改变在线算法结构的前提下，对基于FxLMS的在线建模ANC系统中的控制滤波器与次级通道模型进行联合初始化。该方法利用少量实测声学路径进行元学习预训练，并在训练内循环中引入两阶段更新策略，近似在线系统的“路径辨识—噪声抑制”流程，部署时仅需将学习到的初始系数直接载入系统。在采用在线次级路径建模的 FxLMS 框架下的实验结果表明，与不进行再初始化的基线方案相比，所提方法能够在系统启动与路径切换后显著降低初期残余噪声、缩短达到稳定性能的时间，同时减少引入的辅助噪声能量，并提升路径变化后的系统降噪性能恢复速度。该研究为动态声学环境下的前馈型ANC提供了一种轻量、有效的快速启动策略，仅需少量路径数据即可完成系统的预训练与迁移。
论文链接：https://arxiv.org/abs/2601.13849

参与方式

直播将通过语音之家微信视频号进行直播手机端、PC端可同步观看👇👇👇