11 KiB
JustOneCacophony — E-AC-3 JOC 解码与渲染数学
本文只说明 JustOneCacophony 研究路径中使用的信号模型和公式：JOC 参数如何与核心 PCM 结合并重建对象信号，以及 OAMD 坐标如何转换为扬声器增益。
这些公式描述项目当前研究的 dense JOC 与普通点对象路径，不代表对所有 E-AC-3 JOC 变体的完整定义。
1. 总体路径与记号
对象重建路径：
E-AC-3 核心 5.1 PCM
+ ID14 JOC 矩阵参数
→ analysis QMF
→ 参数带展开与时间插值
→ 对象矩阵
→ inverse QMF
→ LFE + 15 路对象 PCM
扬声器渲染路径：
LFE + 15 路对象 PCM
+ ID11 OAMD 坐标与更新时间
→ 目标布局 region
→ 等功率声像
→ 位置补偿
→ 逐样本增益斜坡
→ 扬声器 PCM
主要记号：
| 符号 | 含义 |
|---|---|
c=0\ldots4 |
核心声道 L、R、C、Ls、Rs |
o=0\ldots14 |
15 个 JOC 对象 |
b=0\ldots63 |
复 QMF 子带 |
t=0\ldots23 |
每帧 24 个 64-sample 时槽 |
p(b) |
QMF 子带 b 对应的 JOC 参数带 |
X_{c,b,t} |
核心声道的 analysis-QMF 值 |
M_{o,c,b,t} |
对象矩阵系数 |
Z_{o,b,t} |
对象的 inverse-QMF 输入 |
y_o[n] |
对象时域 PCM |
一帧的采样数为
N_f=1536=24\times64.
2. Dense JOC 矩阵参数
2.1 差分还原
令 quant_idx 为 $q_i\in{0,1}$，量化级数为
N_q=
\begin{cases}
96, & q_i=0,\\
192, & q_i=1.
\end{cases}
中心偏移为
O_q=\frac{N_q}{2}.
对对象 $o$、数据点 $d$、核心声道 c 和参数带 $p$，编码差分 \Delta_{o,d,c,p} 还原为
Q_{o,d,c,0}=
\left(O_q+\Delta_{o,d,c,0}\right)\bmod N_q,
Q_{o,d,c,p}=
\left(Q_{o,d,c,p-1}+\Delta_{o,d,c,p}\right)\bmod N_q,
\qquad p>0.
2.2 去量化
矩阵系数的去量化值为
D_{o,d,c,p}=
\left(Q_{o,d,c,p}-\frac{N_q}{2}\right)
\frac{820}{4096(1+q_i)}.
因此 coarse 模式的有效分母为 4096，fine 模式为 8192。
2.3 JOC clipgain
若 clipgain 字段由整数 x 和尾数 y 组成，则
G_{\mathrm{clip}}=
1+\frac{y}{32}2^{x-4}.
它在对象 inverse QMF 之后作用于对象 PCM，不作用于 LFE。
3. 参数带展开与时间插值
3.1 参数带到 QMF 子带
JOC 矩阵按参数带编码，而 QMF 使用 64 个子带。令 p(b) 表示子带 b 所属的参数带，则每个参数带系数展开为
D_{o,d,c,b}=D_{o,d,c,p(b)}.
常见的 12-band 映射为
\begin{aligned}
\mathcal B_0 &= \{0\}, &
\mathcal B_1 &= \{1\}, &
\mathcal B_2 &= \{2\}, &
\mathcal B_3 &= \{3\},\\
\mathcal B_4 &= \{4,5\}, &
\mathcal B_5 &= \{6,7\}, &
\mathcal B_6 &= \{8,9,10\}, &
\mathcal B_7 &= \{11,12,13\},\\
\mathcal B_8 &= \{14,15,16,17\}, &
\mathcal B_9 &= \{18,\ldots,22\},\\
\mathcal B_{10} &= \{23,\ldots,34\}, &
\mathcal B_{11} &= \{35,\ldots,63\}.
\end{aligned}
其中 p(b)=k 当且仅当 $b\in\mathcal B_k$。其他参数带数使用各自的子带边界。
3.2 单数据点插值
令上一帧末值为 $P_{o,c,b}$，当前目标值为 $D_{o,c,p(b)}$。对时槽 $t=0\ldots23$：
\alpha_t=\frac{t+1}{24},
M_{o,c,b,t}=
(1-\alpha_t)P_{o,c,b}
+\alpha_tD_{o,c,p(b)}.
因此第一时槽已经推进 ramp 的 $1/24$，最后一时槽等于当前目标：
M_{o,c,b,23}=D_{o,c,p(b)}.
该值随后成为下一帧的 previous 状态。
3.3 多数据点
当一帧含两个数据点时，offset_ts 给出分段边界。每一段在上一目标和下一目标之间使用相同的线性关系；阶跃模式则在指定时槽直接切换目标。
4. 核心 PCM 的 analysis QMF
矩阵输入使用核心声道 L、R、C、Ls、Rs；LFE 走独立路径。核心 PCM 先缩放为
\widetilde x_c[n]=\frac{x_c[n]}{16}.
令 \mathcal A_b 表示带 polyphase 历史状态的 64-band analysis-QMF 算子，则
X_{c,b,t}=
\mathcal A_b\!\left(
\widetilde x_c[64t],\ldots,\widetilde x_c[64t+63];
\mathbf s^{\mathrm A}_{c,t}
\right).
该过程依次包含 analysis window/polyphase、调制、64 点 FFT 和子带重排。历史状态跨时槽和帧连续推进。
5. 核心声道的 QMF 域处理
L、R、C 在进入对象矩阵前延迟 10 个 QMF 时槽：
\widehat X_{c,b,t}=X_{c,b,t-10},
\qquad c\in\{L,R,C\}.
Ls、Rs 同样延迟 10 个时槽，并在 b>0 时作 -j 旋转：
\widehat X_{c,b,t}=-jX_{c,b,t-10},
\qquad c\in\{Ls,Rs\},\ b>0.
环绕声道的 band 0 还经过 21-tap 复 FIR：
\widehat X_{c,0,t}=
\sum_{k=0}^{20}h_kX_{c,0,t-k}.
这些延迟和滤波历史属于解码状态，不能按帧独立清零。
6. 对象矩阵
对每个对象 $o$、子带 b 和时槽 $t$，对象频域值为五个核心声道的线性组合：
Z_{o,b,t}=
\sum_{c=0}^{4}
M_{o,c,b,t}\widehat X_{c,b,t}.
analysis 输入的 1/16 缩放会在 inverse QMF 输出端由 \times16 抵消，因此矩阵本身不需要额外经验增益。
7. 对象 inverse QMF
7.1 子带重排
将 64 个复子带写成 128 个交织实数 src。对 $k=0\ldots31$：
\begin{aligned}
\operatorname{zone}[2k] &= \operatorname{src}[4k],\\
\operatorname{zone}[2k+1] &= -\operatorname{src}[4k+1],\\
\operatorname{zone}[126-2k] &= \operatorname{src}[4k+2],\\
\operatorname{zone}[127-2k] &= \operatorname{src}[4k+3].
\end{aligned}
把 zone 重新视为 64 个复数后执行未归一化 64 点 FFT：
F_k=
\sum_{n=0}^{63}
\operatorname{zone}_n
\exp\!\left(-j\frac{2\pi kn}{64}\right).
7.2 调制与合成
定义旋转系数
r_k=
\frac12\left(
\sin\frac{\pi k}{128}
+j\cos\frac{\pi k}{128}
\right),
并计算
R_k=2F_kr_k.
令 \mathcal S 表示带 640 项 synthesis window 和跨时槽状态的 polyphase 合成算子：
\mathbf y_{o,t}=
\mathcal S\!\left(
\mathbf R_{o,t},W,\mathbf s^{\mathrm S}_{o,t}
\right).
对象输出为
y_o[64t+r]=
\operatorname{clip}\!\left(
16\,\mathbf y_{o,t}[r],-1,1
\right)G_{\mathrm{clip}},
其中 $r=0\ldots63$。synthesis 状态必须按时槽连续推进。
8. LFE 路径
LFE 不经过对象矩阵或 inverse QMF，而是使用 1217-sample 延迟。输入与输出端的比例因子抵消后：
y_{\mathrm{LFE}}[n]=
\operatorname{clip}\!\left(
x_{\mathrm{LFE,core}}[n-1217],-1,1
\right).
9. OAMD 坐标
横向和纵向网格使用 $N=62$，高度网格使用 $N=15$。量化函数为
q_N(k)=
\min\!\left(
32767,
\left\lfloor\frac{32768k}{N}+\frac12\right\rfloor
\right).
OAR 坐标为
u=\frac{q_1}{32768},
\qquad
v=\frac{q_2}{32768},
\qquad
w=\frac{q_3}{32768}.
其最大运行值为 $32767/32768$，不是精确的 1。
转换为 ADM 网格时：
k_1=\operatorname{round}\!\left(\frac{62q_1}{32767}\right),
\quad
k_2=\operatorname{round}\!\left(\frac{62q_2}{32767}\right),
\quad
k_3=\operatorname{round}\!\left(\frac{15q_3}{32767}\right),
X=2\frac{k_1}{62}-1,
\qquad
Y=1-2\frac{k_2}{62},
\qquad
Z=\frac{k_3}{15}.
连续坐标关系为
u=\frac{X+1}{2},
\qquad
v=\frac{1-Y}{2},
\qquad
w=Z.
10. 等功率扬声器声像
10.1 一维插值
相邻扬声器坐标为 $a_0<a_1$，对象位置为 $a$。归一化位置为
\tau=\frac{a-a_0}{a_1-a_0}.
区间内的增益为
g_0(\tau)=\cos\left(\frac\pi2\tau\right),
\qquad
g_1(\tau)=\sin\left(\frac\pi2\tau\right),
并满足
g_0^2(\tau)+g_1^2(\tau)=1.
区间外的对象位置夹到最近端点。
10.2 二维 region
每一行先沿 u 得到横向增益向量 $\mathbf h_r(u)$。若对象位于相邻两行 r_0,r_1 之间：
\eta=\frac{v-v_{r_0}}{v_{r_1}-v_{r_0}},
a_0=\cos\left(\frac\pi2\eta\right),
\qquad
a_1=\sin\left(\frac\pi2\eta\right).
二维点增益为
\mathbf G_{\mathrm{2D}}(u,v)=
\mathbf h(u)\odot\mathbf v(v).
对于只有一对水平环绕、没有独立 side/rear 两对的 5.1 系列布局，纵向坐标使用
v_{\mathrm{floor}}=
\operatorname{clamp}(2v,0,1).
其他布局使用 $v_{\mathrm{floor}}=v$。
10.3 高度层
三维布局分别计算地面层增益 \mathbf G_f 和高度层增益 $\mathbf G_h$：
\mathbf G_{\mathrm{point}}(u,v,w)=
\cos\left(\frac\pi2w\right)\mathbf G_f
+
\sin\left(\frac\pi2w\right)\mathbf G_h.
当地面层与高度层扬声器集合不重叠、且各层内部使用等功率插值时：
\left\|\mathbf G_{\mathrm{point}}\right\|_2=1.
11. 布局位置补偿
令 N_h 为相关高度扬声器数，N_f 为相关附加水平扬声器数：
H=\min\left(\frac{N_h}{4},1\right),
\qquad
F=\min\left(\frac{N_f}{4},1\right).
最大位置补偿为
A_{\max}=
-\max\left(4.5-1.5H-3F,0\right)
\quad\text{dB}.
前后与高度位置权重为
p_v=\operatorname{clamp}\left(\frac v{0.6},0,1\right),
p_w=\operatorname{clamp}\left(\frac{w-0.2}{0.8},0,1\right),
p=\operatorname{clamp}(p_v+p_w,0,1).
线性补偿增益为
G_{\mathrm{pos}}=10^{A_{\max}p/20}.
对象的目标增益向量为
\mathbf G_{\mathrm{target}}=
G_{\mathrm{object}}
G_{\mathrm{pos}}
\mathbf G_{\mathrm{point}}.
12. OAMD 时间对齐与增益斜坡
OAMD 更新的编码位置为
s_{\mathrm{coded}}=
s_{\mathrm{frame}}
+s_{\mathrm{outer}}
+s_{\mathrm{OAMD}}
+32f_{\mathrm{block}}.
decoder 输出 PCM timeline 上的理论更新位置为
s_{\mathrm{theoretical}}=
s_{\mathrm{coded}}+d_{\mathrm{decoder}},
\qquad d_{\mathrm{decoder}}=1473.
扬声器 renderer 保留现有的处理块长度 $B=32$，更新点对齐为
\widehat s=
B\left\lfloor
\frac{s_{\mathrm{theoretical}}+B/2-1}{B}
\right\rfloor.
因此，对 frame-aligned 更新有 align32(1473)=1472。1473 是 metadata interface 的理论 decoder delay；1472 是当前 32-sample control block 中的有效边界。inverse-QMF 使用的 640 项 window/state 不属于这条 metadata timing 公式。
给定 ramp duration $D$，block 数为
K=
\left\lfloor
\frac{D+B/2-1}{B}
\right\rfloor.
若当前增益为 $g_0$、目标为 $g_1$，则每 block 的增量为
\Delta g=\frac{g_1-g_0}{K}.
第 j 个 block 内的样本 r=0\ldots B-1 使用
g_{j,r}=g_j+\frac rB\Delta g,
\qquad
g_{j+1}=g_j+\Delta g.
如果中途没有新的 metadata 更新，该过程等价于总长度 KB 的逐样本线性斜坡。
13. 最终扬声器混音
对目标输出声道 $c$：
y_c[n]=
\delta_{c,\mathrm{LFE}}x_{\mathrm{LFE}}[n]
+
\sum_{o=1}^{15}x_o[n]g_{o,c}[n].
其中
\delta_{c,\mathrm{LFE}}=
\begin{cases}
1, & c\text{ 为目标布局的 LFE},\\
0, & \text{其他声道}.
\end{cases}
没有 LFE 输出的布局不把输入 LFE 混入其他声道。对象完成累加后，再按目标格式要求排列输出声道。
若输出 PCM24，量化关系为
y_{24}[n]=
\operatorname{trunc}\left(
8388607\,\operatorname{clip}(y[n],-1,1)
\right).
14. 公式适用范围
- JOC 矩阵部分描述 dense JOC；Sparse JOC 使用不同的稀疏系数/索引路径。
- 扬声器声像部分描述普通点对象；extent、spread、divergence 等模式需要额外模型。
- 多个 OAMD position block 必须按其时间顺序调度。
- limiter 属于独立后处理，不包含在上述混音公式中。