论文速递

📄 BanglaFake: Constructing and Evaluating a Specialized Bengali Deepfake Audio Dataset #音频深度伪造检测 #语音合成 #低资源 9/10 | 创新 1/2 | 严谨 1.5/1.5 | 实验 0.5/1.5 | 清晰 1/1 | 影响 1.5/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 🔥 9/10 | 后50% | #音频深度伪造检测 | #语音合成 | #低资源 | arxiv 👥 作者与机构 Istiaq Ahmed Fahad, Kamruzzaman Asif, Sifat Sikder Institute of Information Technology, University of Dhaka, Bangladesh 💡 毒舌点评 这是一篇典型的“填补空白”式工作，对于孟加拉语社区来说是个不错的资源，但顶会水平？它甚至没敢声称自己的生成模型是SOTA。论文的核心价值是发布了一个“存在”的数据集，而不是推进了检测技术。评估部分只有主观打分和一张看不清的t-SNE图，缺乏任何有说服力的定量实验来证明这个数据集真的能提升现有检测器的性能。如果连在最简单的baseline上跑个数都省了，那么发布数据集的“核心贡献”就打了一半折扣。作者未来的工作展望（加说话人）听起来像是这篇论文本该完成的部分。 ...

📄 Beyond U-Net: A Latent-Representation-Aligned Skip-Free Backbone for Flow-Matching Speech Enhancement #语音增强 #生成模型 #对比学习 6.6/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5 ✅ 6.6/10 | 前50% | #语音增强 | #对比学习 | #生成模型 | arxiv 👥 作者与机构 第一作者：Wangyi Pu 第二作者：Michele Scarpiniti 机构信息：论文中未明确说明作者所属机构。 💡 毒舌点评 这篇论文像是给语音增强这个“老生常谈”的任务穿了件“无跳跃连接+编解码器对齐”的新衣服。想法是好的，试图解决U-Net跳跃连接可能带噪的老问题。但问题是，在WSJ0-CHiME3上的表现简直像个“平A”，PESQ就涨了0.01，WVMOS和SI-SDR甚至倒退了，就这还好意思说“competitive”？作者把DAC当“参考”不当“基线”，是不是怕直接比不过？论文里对损失权重怎么选的、消融实验怎么做的一笔带过，问就是“未分析”。最逗的是，图和文字里说自己的主干“非对称”，但看起来编码器解码器长得挺对称啊，这“非对称”的帽子戴得有点勉强。总之，创新点有，但实验深度和说服力严重不足，像个精心包装但内料不足的礼品盒。 📌 核心摘要 本文针对基于流匹配（Flow Matching）的语音增强模型中，传统U-Net跳跃连接可能传递噪声特征的问题，提出了一种新的无跳跃连接编码器-解码器主干网络。其核心思想是通过潜在表示对齐（Latent Representation Alignment, LRA） 来补偿移除跳跃连接带来的信息损失。具体而言，该模型使用一个冻结的、无量化的Descript Audio Codec (DAC) 作为“教师”网络，其编码器和解码器分别提取干净语音的潜在表示。在训练时，所提增强网络的瓶颈特征和解码器中间特征会与这些干净的DAC潜在表示进行对齐（LRA损失），从而引导模型学习紧凑的、与噪声无关的语音表示。实验在WSJ0-CHiME3和VoiceBank-DEMAND数据集上进行，结果表明该方法在VoiceBank-DEMAND上显著提升了PESQ和感知质量指标，而在WSJ0-CHiME3上仅取得有限提升，但所有模型均能在仅5次函数评估（NFE=5）的高效推理下运行。 ...

📄 Breaking Shortcut Learning for Cross-Trial EEG-Guided Target Speech Extraction via Two-Stage Training #对比学习 8.6/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 1/1.5 🔥 8.6/10 | 前50% | #对比学习 | #对比学习 | arxiv 👥 作者与机构 Wonchul Shin: 1, 3, 4 Inyong Choi: 2 Kyogu Lee: 1, 3, 4 1 Department of Intelligence and Information, Seoul National University, Republic of Korea 2 Department of Communication Sciences and Disorders, University of Iowa, United States 3 Interdisciplinary Program in Artificial Intelligence, Seoul National University, Republic of Korea 4 Artificial Intelligence Institute, Seoul National University, Republic of Korea ...

📄 CN-NewsTTS Bench: a target-level automatic benchmark for raw-input Chinese news TTS pronunciation #语音合成 #数据集 9.2/10 | 创新 1.3/2 | 严谨 1.3/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 1.3/1.5 | 开源 1.3/1.5 | 复现 0.5/0.5 | 工程 1/1.5 🔥 9.2/10 | 前10% | #语音合成 | #数据集 | arxiv 👥 作者与机构 作者：Shijun Luo 机构：未明确说明 💡 毒舌点评 这篇工作像一份严谨的“体检报告”，把当前中文新闻TTS产品的“发音健康状况”摆上了台面。优点在于问题定义清晰、评测协议扎实、工程复现性强，为社区提供了一个急需的、标准化的评测工具。缺点是它本质上是“测量尺”的研发，而非“治病方法”的提出；数据集为合成数据，可能无法完全覆盖真实新闻的复杂性和分布。对于追求算法创新的读者来说，贡献可能显得偏工程化；但对于整个语音合成社区，尤其是工业界，这是一份非常实用且必要的基准。作者在ASR路由的异质性分析和消融实验上展现了足够的严谨性，这是亮点。 📌 核心摘要 本文提出了CN-NewsTTS Bench v0.1，一个针对中文新闻TTS系统在处理原始文本中密集出现的书面化形式（如比分、型号、单位、缩写等）时发音准确性的开放式、目标级自动评测基准。基准包含一个合成新闻风格句子数据集（200条记录开发集，800条记录公开测试集，共1260个评测目标）、一个基于三个异构ASR系统多数投票的自动评分协议，以及对七个商业TTS系统的初始评测结果。结果显示，最佳系统（Volcano）的严格准确率为0.879，而多个广泛使用的系统低于0.60，且性能在不同文本类别上差异巨大。该基准强调“原始输入产品赛道”，禁止用户侧的文本预处理，以评估TTS产品端到端的处理能力。 🔗 开源详情 代码：https://github.com/Jayden-X-L/cn-news-tts-bench 模型权重：论文中未提及 数据集：CN-NewsTTS Bench v0.1 数据集（开发集200条记录，公开测试集800条记录）。可通过上述代码仓库的 v0.1 发布（Release）获取。 Demo：论文中未提及 复现材料：复现所需的所有材料（数据、模式、评分代码、固定的ASR转录本、排行榜文件、仪表板、校验和等）均包含在代码仓库的 v0.1 发布中。最小化复现步骤包括验证公开数据集、评分模型的ASR结果文件、聚合排行榜并校验清单。代码仓库的提交 ID 为 f94a679fc7fc。 论文中引用的开源项目： FunAudioLLM/FunASR 生态系统，包含： SenseVoiceSmall：开源本地语音识别器。 Paraformer-zh：开源本地语音识别器。 （论文中未给出具体链接，仅提及来自该生态系统） 标签 #语音合成 #评测基准 #数据集 #开源 主任务标签：#语音合成 主方法标签：#评测基准 补充标签：#数据集 #开源 ...

📄 Comparative Reasoning: Making an Audio Language Model Better at Comparing Emotions #语音情感识别 #对比学习 7.5/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0.5/1.5 | 复现 0.5/0.5 | 工程 0.5/1.5 ✅ 7.5/10 | 前25% | #语音情感识别 | #对比学习 | arxiv 👥 作者与机构 Language Technologies Institute, Carnegie Mellon University, Pittsburgh, PA, 15213, US The University of Texas at Dallas, Richardson TX 75080, USA NVIDIA 💡 毒舌点评 这篇论文瞄准了一个关键但被忽视的问题：让音频语言模型学会“比较”。选择情感维度作为切入点很聪明，因为人类本身就更擅长比较而非绝对评分。方法上，把GeMAPS特征离散化后和语义描述一起喂给大模型生成“推理轨迹”，再用DPO来区分好坏推理，这个设计环环相扣，有一定巧思。实验结果也确实亮眼，5%的数据吊打了传统SSL基线，跨域迁移能力也不错。 ...

📄 Data Scale, Not Latency, Shapes Cross-Lingual Encoder Transfer in Streaming ASR #语音识别 #迁移学习 #预训练 #低资源 #模型量化 9/10 | 创新 1.5/2 | 严谨 1.4/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 0.6/1.5 | 复现 0.5/0.5 | 工程 1.3/1.5 🔥 9/10 | 前25% | #语音识别 | #迁移学习 | #预训练 #低资源 | arxiv 👥 作者与机构 作者：Nenad Banfic。机构：未在文中说明。 💡 毒舌点评 这篇论文像一个一丝不苟的工程师，把“多语言初始化到底有没有用”这个实际问题，用控制变量法掰开揉碎了做实验。优点是实验网格设计得非常全面，数据、延迟、量化三个维度都扫了一遍，得出了一个实用的结论。但缺点也很明显：首先，这本质上是一项大规模的“消融实验”或“敏感性分析”，在方法创新性上相对有限；其次，结论的“普适性”存疑，所有实验都在自家0.6B的FastConformer RNN-T架构和有限的欧洲语言上完成，换个模型家族（比如Whisper大模型）或非欧洲语言（如中文、阿拉伯语），结论是否稳健？作者自己也承认了这一点。论文行文清晰，但部分讨论略显冗长，可进一步精炼。 📌 核心摘要 本文系统研究了在流式自动语音识别（ASR）中，使用多语言（ML）或英语单语（EN）编码器作为初始化方案，其优势如何随目标语言数据规模、流式推理延迟以及部署量化而变化。核心发现是：多语言初始化的优势是一个“数据受限优势”，而非“延迟受限优势”。在FLEURS基准上，从100小时到2500小时数据，EN-ML的WER差距从+4.21个百分点单调衰减至+0.20个百分点，符合幂律模型（指数约0.92）。该优势在三个流式延迟层级（160ms， 560ms， 1120ms）间近似稳定。此外，4位权重量化导致编码器体积减少约3倍，平均WER仅增加约0.49个百分点，且与初始化选择独立。结论指出，初始化、延迟和量化决策在实践中可相互独立进行。 🔗 开源详情 代码：论文中指出训练与评估代码作为补充材料包含，但未在文中提供具体的代码仓库URL（如GitHub链接）。 ...

📄 Digital Revival: Acoustic Documentation and Digital Reactivation of Historical Woodwind Instruments #音乐生成 #信号处理基础 #数据增强 5.3/10 | 创新 1/2 | 严谨 0.8/1.5 | 实验 0.3/1.5 | 清晰 1/1 | 影响 0.7/1.5 | 开源 0.3/1.5 | 复现 0.2/0.5 | 工程 1/1.5 📝 5.3/10 | 后50% | #音乐生成 | #数据增强 | #信号处理基础 | arxiv 👥 作者与机构 作者：Lior Arbel, Itai Weissman 机构：未在论文中明确说明作者所属机构。 💡 毒舌点评 这篇论文更像是一份关于文化遗产数字化项目的艺术实践报告，而非一篇标准的学术研究论文。其“数字复兴”框架的核心是解决一个实际的工程与艺术问题：如何在苛刻的博物馆约束下，让沉默的历史乐器“发声”并用于现代创作。这很有意义，但技术上的新颖性和严谨性非常有限。所谓的“三层架构”只是将商业采样器（Kontakt）、一个现成的物理建模插件（Respiro）和一个简单的音效层进行组合，谈不上是方法创新。论文最大的问题在于几乎没有提供任何有说服力的定量评估。频谱对比图只是定性地看看功率分布，既没有信噪比、频谱失真度等客观指标，也没有进行任何形式的听觉感知测试（如MUSHRA、ABX）。唯一的结果展示是一张专辑，但这完全是主观艺术选择。对于一篇投递到计算音乐学或MIR会议的论文来说，这种缺乏严谨评估的做法是致命的。作者声称在探索“声学DNA”和“新的可能性”，但“新”在哪里？将古乐器声音用于即兴创作，这本身就不是新概念。整篇论文读下来，更像是一个精彩但孤独的项目总结，缺少作为学术论文所必需的对比、验证和可泛化的结论。 📌 核心摘要 本文介绍了“数字复兴”项目，旨在将博物馆中无法演奏的历史欧洲木管乐器转化为可通过电子风控制器（EWI）演奏的数字乐器。论文通过两个案例研究阐述了该框架：1）对功能完好的Haka长笛（约1680年）进行录音和采样，结合Respiro物理建模插件和起奏音采样，构建了三层结构的数字乐器，并用于录制发行专辑。2）对严重损坏的Warder长笛（约1540年，出土于沉船），基于CT扫描数据和现代复制品进行物理表征和采样，该项目目前处于早期阶段。论文重点讨论了在文物保护、录音环境差、乐器损坏等现实约束下，在声学保真度和音乐表现力之间做出的设计权衡。文章指出，对于Warder这类乐器，由于材料老化和形变，其原始声音本质上是未知的，因此项目目标并非精确复制，而是探索其声音素材在当代语境下的新可能。 🔗 开源详情 代码：论文中未提供任何代码仓库或代码片段。提及使用了商业软件Respiro和Kontakt。 模型权重：论文中未提及模型权重链接。 数据集：论文中未提供公开数据集的获取链接。涉及Haka和Warder长笛的音频数据、CT扫描数据、3D模型均属于博物馆藏品，未公开。 Demo：论文提到了公共网站“Instrumenta Online”，但未给出具体URL，因此无法访问。 复现材料：论文中未提供训练配置、检查点或附录等具体复现材料。方法实现细节（如Kontakt脚本、Respiro参数）未披露。 论文中引用的开源项目： Digital Revival project (dgtalrevival)：项目本身被介绍，但未提供公开的代码或资源仓库。 Respiro：商业音频插件，非开源。 Kontakt：商业采样器软件，非开源。 NEMUS project：引用的参考项目，未提供其公开资源链接。 Instrumenta Online：项目网站，未提供可访问的URL。 🏗️ 方法概述和架构 本文提出的方法是一个结合了现实约束与艺术目标的“数字复兴”框架，其核心是针对不同保存状况的历史乐器，采用定制化的声学捕捉、分析和数字重构流程。该框架并非一个通用的技术流程，而是通过两个特性迥异的案例（功能完好 vs. 严重损坏）来展示其应用逻辑和设计决策。 ...

📄 DTT-BSR+: A Generative-Regression Cascade for Music Source Restoration #生成对抗网络 8/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1.2/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.3/1.5 🔥 8/10 | 前25% | #生成对抗网络 | #生成对抗网络 | arxiv 👥 作者与机构 Tan, Wang, Huang。隶属于武汉大学电子信息学院和坦佩雷大学信号处理研究中心。 💡 毒舌点评 这篇工作干了件聪明事：把一个难啃的骨头（同时搞定分离和效果反转）拆成两步走，先让它“听起来像”，再让它“波形准”。消融实验做得扎实，FAD的拆分分析有点意思，指出了“像”和“准”可能打架。但问题在于，Percussions声部直接崩盘，暴露了这套“级联手术”对病灶（第一阶段的失真）非常敏感，一旦切歪了，后面再好的缝合技术也救不回来。另外，光说不练假把式，不给代码只给配置，这年头顶会光看论文可不够复现。 📌 核心摘要 本文提出了DTT-BSR+，一个用于音乐源恢复（MSR）的两阶段级联深度学习系统。MSR任务旨在从经过非线性后期处理的混合音轨中恢复干净的原始音轨，比传统的音乐源分离（MSS）更具挑战性。DTT-BSR+的核心思想是“解耦”：第一阶段使用基于GAN的DTT-BSR网络作为生成式分离器，其目标是产生与干净源信号语义分布匹配的估计；第二阶段使用一个名为Demucs-L的回归网络，以第一阶段输出为输入，通过最小化时域L1损失和多分辨率STFT损失，专注于改善波形级别的重建精度。实验在MSRBench基准数据集上进行，结果表明，DTT-BSR+在所有八个声部的多梅尔信噪比（MMSNR）上均优于其单阶段版本DTT-BSR，并在Vocals, Guitars, Synthesizers, Bass, Drums五个声部上超越了当前最优系统X-LANCE-MSR。论文通过FAD-CLAP分解，揭示了在某些声部上存在信号重建精度（MMSNR）与语义分布拟合（FAD）之间的隐式权衡，表现为语义中心的偏移而非分布多样性的改变。研究也指出了该级联设计在Percussions声部上的局限性。 🔗 开源详情 代码：论文中未提及任何代码仓库链接。 模型权重：论文中未提及任何模型权重下载链接。 数据集：论文使用了MSRBench和RawStems数据集。MSRBench是公开基准数据集。RawStems数据集未提供具体下载链接或开源协议。 Demo：论文中未提及。 复现材料：论文未提供预训练模型或完整训练代码。但提供了第二阶段Demucs-L的关键训练配置：网络结构（6层编解码器，核大小8，步长4，起始通道64），优化器（Adam，学习率2e-4），训练轮次（150 epochs），批量大小（16），损失权重（\(\lambda_1=10.0\), \(\lambda_2=1.0\)），以及数据增强策略（随机相位偏移，10%概率替换为真实目标）。 论文中引用的开源项目（未提供具体链接）：DTT-BSR， Demucs， X-LANCE MSR系统， BSRNN， MSG， TF-Locoformer。 🏗️ 方法概述和架构 DTT-BSR+是一个两阶段级联系统，其设计动机源于对MSR任务核心挑战的分析：即如何在生成式模型擅长的语义分布拟合（保证输出“听起来对”）与回归模型擅长的精确波形重建（保证输出“波形准”）之间取得平衡。论文提出将这两项目标解耦到两个独立的阶段中。 ...

📄 Evaluation of Headrest-Integrated Loudspeakers for Enhanced Spatial Audio Immersion in Automotive Cabins 6.8/10 | 创新 1/2 | 严谨 1.3/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.6/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.4/1.5 ✅ 6.8/10 | 前50% | arxiv 👥 作者与机构 Martin Wolters, Jacobo Giralt, Harald Mundt, Arijit Biswas。论文中未明确说明作者所属机构。 💡 毒舌点评 这篇论文像一篇扎实的工业研究报告，而非一篇顶级学术会议的创新性论文。优点是实验设计严谨、方法论清晰、对应用场景（汽车音频）有很强的指导性。但作为一篇寻求发表在顶级机器学习或AI会议的论文，其弱点是致命的：核心贡献在于应用验证，而非方法创新。BTL模型、PCA、K-Means都是成熟工具，论文并未在这些方法上做出改进或提出新的分析框架。研究结论“头枕扬声器能提升沉浸感”在直觉上近乎显而易见，论文的价值更多在于用严格的实验量化了这一提升。实验场景高度特定（单一车型、特定音响系统、有限音乐类型），结论的普适性存疑。尽管如此，对于音频工程或车载娱乐领域的从业者，本文提供了有价值的定量参考。 📌 核心摘要 本文评估了在汽车座舱中集成头枕扬声器对增强沉浸式空间音频体验的效果。研究在一个改装的沃尔沃XC60实验车上进行，比较了三种音频渲染配置：(1) 仅使用车厢扬声器的离散7.1.4系统；(2) 在7.1.4系统基础上增加头枕扬声器；(3) 仅使用前置扬声器加头枕扬声器。通过19名听众的强制选择配对比较实验，评估了总体偏好、宽敞感、频谱自然度、响度和清晰度五个属性。使用Bradley-Terry-Luce概率选择模型分析偏好数据，并通过二项式检验验证显著性。结果显示，配置2（完整系统加头枕）在总体偏好和宽敞感方面显著优于配置1。听众聚类分析发现，大多数听众（16/19）强烈偏好头枕增强配置，而一个由3名工程师组成的小群体则更看重频谱自然度。研究得出结论，头枕扬声器能有效提升沉浸式音频感知，其应用价值取决于目标用户群体的偏好权衡。 🔗 开源详情 代码：论文中未提及代码或代码仓库链接。 模型权重：论文中未提及。 数据集：论文中未提及。论文使用了6段音乐摘录进行主观评估，但未提供音乐名称、来源或获取方式。 Demo：论文中未提及。 复现材料：论文中提供了详细的实验设置（Volvo XC60 实验车、Bowers & Wilkins 系统改装）、渲染配置（三种配置的详细描述）、主观测试流程（属性定义、配对比较设计）和统计方法（BTL模型、PCA），在理论上支持复现研究，但未提供实现代码或原始数据。 论文中引用的开源项目：未提及。论文中引用的算法（BTL模型、K-Means、PCA、BFGS优化）均为标准学术方法。 ...

📄 Heterogeneous 2D/1D Signal Representation Fusion for Underwater Acoustic Modulation Recognition Under Distribution Shift 7.6/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 0.6/1.5 | 开源 1/1.5 | 复现 0.5/0.5 | 工程 0.5/1.5 ✅ 7.6/10 | 前50% | arxiv 👥 作者与机构 作者：Ronglai Qian, Liang An, Xiaoyan Wang, Qing Fan, Ziwei Huang, Yang Ye 机构：东南大学水声信号处理教育部重点实验室 💡 毒舌点评 这篇工作在水下声学调制识别（UAMR）这个细分且重要的领域，试图用一个统一的基准和精心设计的融合模型来解决分布偏移这个痛点，野心不小。基准（UAMR-ShiftBench）的构建确实规范，填补了领域空白，将各种偏移类型清晰分离，这点值得肯定。模型（SCP-TriCA）的设计逻辑清晰——先对齐可靠的2D模态，再用门控去“酌情”采纳可能不太靠谱的1D统计特征，动机合理。 然而，几个关键问题削弱了其说服力。第一，创新性与深度存疑。核心创新点——层次化融合与门控机制，在多模态学习领域（尤其是CV）已非新鲜事。论文未充分论证为何这些技术在UAMR这个特定问题上带来了本质性突破，还是仅仅是一次成功的工程应用组合。第二，实验“充分”但视角偏狭。在自建基准上刷榜是优势也是隐患，因为最强基线（IQFormer）也非广为人知的SOTA。与在公开数据集（如RadioML）上的方法对比几乎缺失，难以评估其在更广阔图景中的位置。水印数据集的测试结果是亮点，但仅两个条件，泛化性证据仍显单薄。第三，对模型“为何有效”的解释流于表面。消融研究证明了各组件有效，但缺乏对门控数值（g_p）如何随信噪比、环境等偏移变化的深入可视化分析，模型决策过程仍是黑盒。第四，写作有冗余，Related Work部分对自身贡献的重复陈述较多。总体而言，这是一篇扎实的领域应用工作，在特定的水下声学场景下完成了很好的集成创新，但若以顶会标准衡量其在通用多模态融合方法上的理论贡献，则略显不足。 📌 核心摘要 本文聚焦于水下声学调制识别（UAMR）在真实部署中面临的分布偏移挑战，提出了一个联合基准与模型的解决方案。 基准构建（UAMR-ShiftBench）：这是首个在单一匹配协议下系统覆盖多种偏移类型的统一评估基准。它包括：(1) 分布内测试集；(2) 低信噪比偏移集；(3) 未见环境偏移集；(4) 未见通信参数偏移集；(5) 两个独立的实测海试子集（2025年3月和11月在南海采集）。基准设计遵循“偏移解耦”原则，使得性能下降可以归因于具体的失配因素。 模型设计（SCP-TriCA）：这是一个分层三模态交叉注意力融合框架，处理来自同一波形的三种异构表示：STFT时频图、循环平稳谱图（均为2D）以及二阶/四阶功率谱统计特征（1D）。其核心设计动机是：在分布偏移下，不同模态的退化速度与程度不同，需要非对称的融合策略。SCP-TriCA采用两阶段融合：首先，通过双向交叉注意力对齐并融合两个共享相似结构的2D模态；然后，通过第二个交叉注意力块，利用一个样本自适应选择性门控，有选择地融合可能不可靠的1D统计模态。这种设计旨在保护主要的2D表示不被噪声污染的1D特征“带偏”。 实验验证：在UAMR-ShiftBench上，SCP-TriCA在所有测试条件下（包括分布内、模拟分布外、实测海试）均取得了最优性能。特别是在模拟OOD平均准确率和两个实测海试子集上，分别超越最强基线（IQFormer）5.12、15.71和23.00个百分点。系统消融研究证实了性能提升源于模态互补性和提出的层次化融合设计。此外，在公开的Watermark水声信道条件测试中，SCP-TriCA也展现出优异的零样本泛化能力。 🔗 开源详情 代码：https://github.com/ronglaiqian/UAMR-ShiftBench （论文明确提供） 模型权重：论文中未明确提及是否提供预训练模型权重。 数据集：UAMR-ShiftBench数据集。根据论文描述，数据集与代码一同开源，获取链接为 https://github.com/ronglaiqian/UAMR-ShiftBench。 Demo：论文中未提及。 复现材料：论文中提及了详细的训练配置和优化参数（AdamW， 初始学习率3e-4， 权重衰减1e-2， 批大小64， 最大训练轮次80， 余弦退火调度， 预热3轮， 最小学习率1e-6， 梯度裁剪范数5.0， 早停15轮）。具体复现材料包含在代码仓库中。 论文中引用的开源项目： GEBCO_2025 Grid：用于提供测深/地形数据。论文中给出了官方网址：https://www.gebco.net/data_and_products/gridded_bathymetry_data/。 Watermark：一个公开的水声通信信道条件数据集，用于外部泛化验证。论文中仅提供了文献引用[29]，未直接给出该数据集的链接。 BELLHOP：用于生成模拟传播环境的传播模型。论文中仅提供了文献引用[1, 23]，未直接给出该模型的链接。 🏗️ 方法概述和架构 SCP-TriCA框架旨在处理从单个1秒水声波形段中提取的三种异构模态，并通过层次化、自适应的方式进行融合。其整体架构如图2(a)所示，主要包含三模态输入构建、三路独立编码器以及两阶段层次融合三大模块。 ...