Eusipco-2026 论文

该研究针对盲房间脉冲响应生成评价分散、基线难复现的问题，在 11500 条房间脉冲响应的统一条件下对比滤波器组改进与多分辨率短时傅里叶变换加能量衰减浮雕联合损失改进，报告损失改进带来 41% 多分辨率短时傅里叶变换损失下降与 25% 峰相似度提升，但高频与低频最优窗口不同且固定 1 秒单通道仍是边界。

针对按乐器算跨曲相似时仅用曲内三元组会学到重复线索的问题，该工作在预训练中按 1:1 混入曲内相似与三种信号处理相似度构造跨曲三元组，再用少量 ABX 偏好微调，并在 Slakh 四种乐器上用感知一致率验证，最强的 LocalTS+FPs 组合在 Clean 与 Cascade 下都提升了乐器平均分，但不同乐器最优线索不同且分离误差会改变行为。

针对无监督异常声音检测中正常与异常机器声高度相似、单条通用描述难以支撑差异总结的问题，论文提出推理时两阶段多样且判别性束搜索解码，用多条组内多样加跨音频互斥的描述供给大语言模型汇总，主观评估显示更具体可辨但未承诺延迟与误判改善。

针对麦克风少于声源的欠定盲分离，论文把时频掩蔽引入切换型 MVDR 的目标函数并联合优化滤波器、组合系数与掩蔽，报告在 2 麦 3/4 说话人任务上优于直接掩蔽、FastMNMF 与掩蔽 MVDR，但效果依赖掩蔽质量与声源相对位置。

该文在 AVEC2014 上用固定的两层感知机隔离融合设计的影响，以线性加权平均管模态可靠性、有序加权平均管特征显著性做向量保留式联合加权，在分类取得 85.7% 准确率与 0.88 的 AUC、回归取得 8.1 的均方根误差与 0.44 的一致性相关系数的同时，在 0 分贝强噪声下仍保持相对可控的退化，代价是可靠性打分依赖的信号质量指示与排序后权重构造细节 …

问题是在宽带频率不变波束成形中用最少且全频段共用的传声器逼近期望波束，方法是将 OLS 改为联合稀疏逐个选点并加掩蔽与递归实现，最强证据是同心圆阵上 41 个点的 OLS 与 OMP 布局相近且主瓣内近似频率不变，代价是本文只给图示而未报告白噪声增益与指向性的定量数值表。

针对声学回声控制中深度模型计算量过大而直接缩小模型会明显掉性能的问题，论文用大教师指导小学生的知识蒸馏训练轻量 CGGN16，在双讲条件下保住近端语音并有效抑回声，代价是仍需先训练大教师且依赖仿真数据条件。

论文在预训练多轨音乐 Transformer 上用均值差提取音高与时值方向并以系数加偏做推理期操控，以无条件与强条件延续实验验证线性可控性，并用格拉姆施密特正交缓解双属性纠缠，但大强度与极端下行仍带来质量退化。

针对事件相机记录的语音致振恢复语音的问题，论文提出两阶段振动到语音模型 EV2A，用 8 个 8×8 感兴趣区域做视觉前端加语音增强端到端训练，在真实薯片袋振动数据上相对事件版视觉麦克风降低词错误率 0.48 但仍保留金属感与表示损失等代价。

针对小型弦乐重奏近场麦克风串音问题，论文把去串音做成 P 进 P 出的多通道分离，并在训练时对输入与目标施加同一随机置换以强制通道置换等变，在未见房间布局和真实 URMP 录音上提升 SDR，但低频与未见乐器上的增益仍然有限。

该文针对独立向量抽取中源先验不准与二阶算法需要快速求导的问题，用许瓦里宁分数匹配训练正弦多层源非线性，并在仿真与目标说话人抽取中报告了对传统模型的系统性提升与对微调噪声指示器的累积增益。

针对唇读受视觉歧义和说话人差异影响且输出可靠性难判断的问题，论文引入贝叶斯不确定性和熵不确定性及其组合来估计词错误率并做主动学习选难样本微调，在 VoxLRS-SA 及合成池上显示不确定性与词错误率强相关且高不确定性微调在同等标注量下达到或超过随机采样，但估计需少量有标数据拟合映射且小数据微调本身不稳定。

该研究把 1 秒多通道语音转为时延轨迹、双耳相位与低频气流三组可解释特征再用 XGBoost 判真伪，在 D3 六通道上报告等错误率 17.8%，代价是仍需多通道阵列且在空旷与车载等未见环境下误差明显上升。

针对有限单通道记录单元下多声源到达时差关联模糊问题，论文提出按子带估计多候选时差再用频谱特征向量分组、分解为多个单声源定位，在 3 到 6 个麦克风与 2 到 8 个声源仿真中报告漏检随麦克风增加而下降、定位误差多保持在 1 米以内，但高噪声多源下漏检仍高达 40% 左右。

针对稀疏测量的声场重建问题，该工作用小波散射变换提取多尺度统计特征并以二值掩蔽只保留跨被试一致的系数，再与稀疏观测的数据保真项联合优化神经场，在 HUTUBS 仿真 HRTF 上以 7×7 观测重建全空间幅度时 MSNF 的 LSD 降到 5.34 并在 NCC 达到 87.79%，代价是每个 HRTF 需单独训练一个网络且只验证了幅度。

针对仅用正常录音训练时自编码器会重建异常输入的问题，该研究把每段音频压缩为一条 LPC 谱包络并只用正常字典的记忆加权来重建，在 MIMII 上以 90.6% 平均 AUC 超过 GRLNet 的 77.2%，代价是 Toy-conveyor 这类依赖细粒度时频线索的机器类型上 LPC 平滑可能削弱区分性。

针对听诊设备、听诊位置和病人特征带来的系统性偏移，该研究用门控残差、FiLM、TAFiLM 和 SoftFiLM 四种元数据调制机制改造音频频谱 Transformer，在 ICBHI 上 SoftFiLM 取得 4 类 64.11% 和 2 类 72.40%，代价是全层调制与全量微调及额外掩码正则。

针对空间语义分割同时要分离和分类而旧联合指标会把标签错配算成负分的问题，论文提出先做置换不变匹配再算分类的 CASA-SDR，并在受控交换与 DCASE 2025 系统上显示它能把差分离与标签交换区分开，代价是对删除与替换类错误不再区分。

针对音频文本对少、少样本适配易过拟合的问题，MUKA 用 Pengi 细粒度相似与 CLAP 全局相似的乘积核做免训练的核岭回归适配，在 11 个音频数据集 16 样本设置下平均准确率达到 80.90%，但在部分数据集上仍不敌线性探测且依赖超参数迁移。

针对多通道回放攻击检测，论文用经典波束形成在方位俯仰网格上计算声学图并配约 6k 参数卷积网络，在 ReMASC 上六麦阵列取得约 10.1% 等错误率，最强证据是多阵列与多波束形成器对照，代价是小阵列与未见环境下明显退化。