Icassp-2026

📄 Gen-SER: When the Generative Model Meets Speech Emotion Recognition #语音情感识别 #流匹配 #预训练 #生成模型 ✅ 6.5/10 | 前50% | #语音情感识别 | #流匹配 | #预训练 #生成模型 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 -0.5 | 置信度 中 👥 作者与机构 第一作者：Taihui Wang（腾讯多模态模型部门、腾讯AI Lab） 通讯作者：未说明 作者列表：Taihui Wang（腾讯多模态模型部门、腾讯AI Lab），Jinzheng Zhao（腾讯多模态模型部门、腾讯AI Lab），Rilin Chen（腾讯多模态模型部门、腾讯AI Lab），Tong Lei（腾讯AI Lab），Wenwu Wang（萨里大学视觉、语音和信号处理中心），Dong Yu（腾讯AI Lab） 💡 毒舌点评 亮点在于创造性地将分类任务转化为生成模型的分布传输问题，并设计了“正弦分类编码”来规避传统自编码器的缺陷。然而，论文的实验说服力严重不足，不仅未与文中明确提出的最强基线（SenseVoice-L）进行公平、深入的对比分析，而且只在有限的任务上验证了有效性，缺少对核心设计选择的必要消融实验，让人对结论的普适性打上问号。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：未提及。 数据集：使用了多个公开英文情感语音数据集（如MELD, RAVDESS等）和一个内部数据集。公开数据集可自行获取，内部数据集未公开。 Demo：未提及。 复现材料：论文提供了主要的超参数（学习率、batch size、训练步数、模型结构尺寸），但缺失关键生成模型的调度参数（k, σ）、优化器类型、硬件信息等，不足以完成复现。 引用的开源项目：依赖HuBERT（chinese-hubert-large模型）。 📌 核心摘要 问题：本文旨在为语音情感识别提供一种区别于传统分类器和大语言模型的新范式。 方法核心：将SER重新定义为一个“分布传输”问题。具体为：使用预训练HuBERT提取语音特征（初始分布），用提出的“正弦分类编码”将离散情感标签映射为连续的目标嵌入向量（终端分布），然后训练一个基于“目标匹配”的生成模型，学习将初始分布传输到终端分布。 创新点：与已有方法相比，1) 首次将生成模型用于SER的分布传输而非密度估计或条件生成；2) 提出无需训练的“正弦分类编码”方法，将标签映射为正交连续向量；3) 采用具有logistic均值和桥方差调度的目标匹配模型，提升生成效率与稳定性。 主要实验结果：在MELD测试集上，本方法（Ours）达到56.5%的准确率，优于多数基于分类和LLM的基线（如Qwen-audio 55.7%），但低于SenseVoice-L（63.1%）。在性别分类任务（Air-Bench）上，本方法（90.5%）超越了所有对比基线。图表显示生成向量随时间步从语音特征平滑变化到目标向量。 实际意义：为语音理解任务（如SER）提供了一种基于生成模型的新思路，其方法可能扩展到其他分类任务。 主要局限性：1) 实验对比不充分，未深入分析与最强基线的差距原因；2) 验证任务和数据集有限；3) 缺少对正弦编码、生成调度等核心组件的消融研究；4) 论文未开源代码和模型，复现困难。 🏗️ 模型架构 模型架构（Gen-SER）包含特征提取、目标生成和生成传输三个核心部分，整体流程如下图所示： 图1展示了不同时间步（t）下，从初始语音特征向量x1（(a)）逐步演变为目标类别向量x0（(f)）的平均过程，验证了分布传输的有效性。 ...

📄 Generalizability of Predictive and Generative Speech Enhancement Models to Pathological Speakers #语音增强 #迁移学习 #扩散模型 #鲁棒性 #数据集 ✅ 7.0/10 | 前50% | #语音增强 | #迁移学习 | #扩散模型 #鲁棒性 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 高 👥 作者与机构 第一作者：Mingchi Hou（Idiap Research Institute, Switzerland; École Polytechnique Fédérale de Lausanne, Switzerland） 通讯作者：未说明 作者列表：Mingchi Hou（Idiap Research Institute, Switzerland; École Polytechnique Fédérale de Lausanne, Switzerland）、Ante Jukić（NVIDIA, USA）、Ina Kodrasi（Idiap Research Institute, Switzerland） 💡 毒舌点评 这篇论文填补了SOTA语音增强模型在病理语音上性能评估的关键空白，是领域内一个��实且必要的“体检报告”。但其短板在于结论的深度略显不足——在发现“病理语音特性导致性能下降”和“迁移微调优于其他方案”这些相对符合直觉的结论后，未能进一步挖掘病理类型的异质性或提出更针对性的适配机制，更像是一份扎实的基准测试报告而非一篇有深度的方法论文。 ...

📄 Generating Localized Audible Zones Using a Single-Channel Parametric Loudspeaker #空间音频 #麦克风阵列 #信号处理 #音频生成 ✅ 6.5/10 | 前50% | #空间音频 | #麦克风阵列 | #信号处理 #音频生成 学术质量 5.0/7 | 选题价值 1.5/2 | 复现加成 0.0 | 置信度 中 👥 作者与机构 第一作者：Tao Zhuang（南京大学现代声学实验室；南京大学-地平线智能音频联合实验室） 通讯作者：未说明 作者列表：Tao Zhuang（南京大学现代声学实验室；南京大学-地平线智能音频联合实验室），Shaozhe Li（南京大学现代声学实验室；南京大学-地平线智能音频联合实验室），Feng Niu（国家计量院力学与声学部），Jia-Xin Zhong（宾夕法尼亚州立大学声学研究生项目），Jing Lu（南京大学现代声学实验室；南京大学-地平线智能音频联合实验室） 💡 毒舌点评 亮点在于概念上的巧妙“偷天换日”，将多通道阵列处理所需的物理通道数，通过超声波非线性效应“虚拟”出来，从而用单一物理扬声器硬件实现了复杂声场控制，思路新颖且具启发性。短板则是这篇顶会论文的实验部分显得过于“理论”，仅停留在自由场条件的数值仿真，缺乏任何硬件原型搭建与实测数据验证，使得从“概念可行”到“实际可用”的距离依然模糊，论文的说服力因此大打折扣。 🔗 开源详情 论文中未提及任何开源计划，包括代码、模型权重、数据集、Demo或复现材料。也未列出所依赖的开源项目。 📌 核心摘要 本文针对传统声音区域控制（SZC）系统依赖多通道扬声器阵列、硬件复杂的瓶颈，提出了一种单通道多载波参量扬声器（MCPL）方案。其核心是将不同音频信号调制到多个不同频率的超声波载波上，合成单路信号后由单一换能器发射，利用空气的非线性自解调效应，在空气中虚拟出多个独立的音频通道，从而将为传统阵列设计的SZC算法直接应用于此虚拟通道。与已有双载波方法相比，该方案推广至N个载波，提供了更强的声场控制自由度。仿真实验表明，该方案能有效缩短声音的传播距离（例如，1kHz音频下，4载波系统的有效传播距离从传统PL的约7米缩短至1.8米），并生成局部化的听音区，验证了该方法在简化硬件系统的同时维持SZC性能的潜力。该工作的主要局限是所有结论均基于数值模拟，未进行实际硬件实验，且未讨论复杂声学环境下的鲁棒性。 🏗️ 模型架构 该系统并非传统意义上的深度学习模型，而是一个基于声学物理原理的信号处理与控制系统。其架构流程如下： 输入：一个音频信号 audio_signal（频率为fa）。 多载波调制（数字域）：将该音频信号调制到N个频率不同（fc,1, fc,2, …, fc,N）的超声波载波上。每个载波通道 n 生成两个边带信号 wu,n 和 wu,n，分别控制下边带和上边带的幅度和相位，得到调制信号 sn(t)。 信号合成（数字域）：将所有调制后的信号 sn(t) 相加，生成一个单一的复合电信号 s(t)。这是整个系统唯一的物理输出信号。 数模转换与发射：单一通道信号 s(t) 经过单个DAC转换为模拟信号，驱动单个超声波换能器阵列（文中称为“单通道参量扬声器”）。 空气非线性解调（物理域）：发射出的超声波复合信号在空气中传播时，由于空气的非线性特性，不同载波频率的信号之间发生相互作用，自解调产生音频信号。论文的核心论点在于，当各载波频率间距足够大（>20kHz）时，最终产生的总音频声压 pa(r, ωa) 是各虚拟通道贡献的线性叠加，如公式(6)所示：pa = Σ wn * Ha,n。这等效于创建了N个虚拟的、由权重 wn 控制的独立音频源通道。 声场控制：基于这个虚拟的多通道模型，应用经典的声学对比度控制（ACC）算法。通过优化权重向量 w = [w1, ..., wN]T，最大化目标“亮区”与“暗区”之间的声压平方比（公式9-10），从而生成所需的局部化听音区。 图1：(a) 展示了圆形MCPL在平面内生成亮区和暗区的示意图。(b) 是信号流程图，清晰地展示了音频信号如何调制到N个载波，合成单一信号 s(t)，并通过空气解调形成N个虚拟通道，最终辐射出所需的音频声场。 ...

📄 Generating Moving 3d Soundscapes with Latent Diffusion Models #空间音频 #扩散模型 #音频生成 #数据增强 #多通道 ✅ 7.5/10 | 前25% | #空间音频 | #扩散模型 | #音频生成 #数据增强 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Christian Templin (Stevens Institute of Technology, Hoboken, NJ, USA) 通讯作者：未说明 作者列表：Christian Templin（Stevens Institute of Technology）、Yanda Zhu（Hunan Normal University, Changsha, China）、Hao Wang（Stevens Institute of Technology） 💡 毒舌点评 亮点：首次将潜在扩散模型用于生成带动态声源轨迹控制的一阶Ambisonics音频，并构建了首个大规模带标注的动态空间音频数据集，填补了明确的空白。短板：虽然引入了参数化模型以提高空间精度，但对“动态”这一核心特性的评估主要停留在起止点的角度误差上，对声源在运动过程中轨迹的平滑度、连续性以及听感上的真实性缺乏更细致的量化分析和主观评估。 🔗 开源详情 代码：论文中未提及代码仓库链接。 模型权重：未提及公开预训练模型权重。 数据集：论文明确表示将发布新构建的包含超过100万样本的数据集（训练/验证/测试划分），可通过项目网站获取（https://intellisys.haow.us/spatial-audio-project/）。 Demo：提供了在线演示网站（同上链接）。 复现材料：论文给出了较详细的训练数据构建方法、模型架构描述、损失函数公式和主要超参数（学习率、批大小、优化器、训练步数等），但未提供具体的训练代码、环境配置或最终检查点。 论文中���用的开源项目：Descript Audio Codec (DAC) [11]、T5编码器 [12]、CLAP模型 [13]、AuraLoss [14]、VGGish [15]。 📌 核心摘要 问题：现有文本到音频生成模型大多局限于单声道或立体声，无法生成完整的三维空间音频。少数能生成一阶Ambisonics（FOA）音频的模型仅支持静态声源，无法处理用户指定的动态声源轨迹，且缺乏相关训练数据集。 方法核心：提出SonicMotion框架，这是一个端到端的潜在扩散模型，专为生成FOA音频设计。其核心创新在于引入了两种条件化方式：1）描述式模型，仅使用文本提示；2）参数式模型，额外使用一个“状态矩阵”作为条件，该矩阵显式编码了声源在时间上的方位角和仰角轨迹。 新意：这是首个能够生成带有用户可控运动轨迹的FOA音频的潜在扩散模型。同时，为解决数据匮乏问题，作者构建了一个超过100万对模拟的FOA-文本数据对的新数据集，包含静态和动态声源及详细运动元数据。 主要结果：实验表明，SonicMotion在语义对齐（CLAP分数）和感知质量（FD， FAD）上与领先的文本到音频模型（如AudioLDM 2）相当。在空间精度上，参数式模型（SM-P）显著优于描述式模型（SM-D），其方位角误差降至13.17°，仰角误差降至4.01°，空间总角度误差降至14.32°，相比SM-D有约51%的整体性能提升。自编码器的重建保真度极高，空间角度误差仅为3.72°。 实际意义：为VR/AR、电影和音乐制作提供了自动化创建沉浸式动态声景的新工具，有望降低专业空间音频内容的制作门槛和成本。 主要局限性：模型基于模拟数据训练和评估，其在真实录音或复杂声学场景下的泛化能力有待验证。评估指标主要关注声源起止点的定位精度，对整个运动轨迹的保真度评估不足。此外，仅支持一阶Ambisonics，更高阶的空间分辨率有待探索。 🏗️ 模型架构 SonicMotion是一个端到端的框架，整体流程分为数据准备、自编码器训练和扩散模型生成三个主要阶段。 ...

📄 Generative Audio Extension and Morphing #音频生成 #扩散模型 #数据集 #音频编辑 ✅ 7.5/10 | 前25% | #音频生成 | #扩散模型 | #数据集 #音频编辑 学术质量 6.5/7 | 选题价值 1.0/2 | 复现加成 0.0 | 置信度 高 👥 作者与机构 第一作者：未说明（论文注明Prem Seetharaman⋆, Oriol Nieto⋆为同等贡献） 通讯作者：未说明 作者列表：Prem Seetharaman（Adobe Research, San Francisco, CA, USA）、Oriol Nieto（Adobe Research, San Francisco, CA, USA）、Justin Salamon���Adobe Research, San Francisco, CA, USA） 💡 毒舌点评 论文的亮点在于将技术问题（音频生成）与特定用户群体（音效设计师）的需求紧密结合，并针对性地设计了“噪声底数据集”来解决生成静态声音时的幻觉问题，展现了工程上的巧思。短板则在于，它本质上是将音频修复/填充任务包装成了一个“生成”任务，且缺乏与当前最先进文本到音频模型（如AudioLDM 2, VampNet等）在通用生成能力上的直接对比，其技术壁垒和普适性有待商榷。 🔗 开源详情 代码：论文中未提及任何代码仓库链接。 模型权重：未提及公开模型权重。 数据集：主训练数据集（110万样本）为专有和许可数据混合，未公开。噪声底数据集是论文中合成的新数据集，也未提及公开。 Demo：论文提供了一个伴站网站（https://sites.google.com/view/genextendblend/home），可能包含音频示例，但未明确说明是在线可交互的Demo。 复现材料：给出了部分训练细节（优化器、学习率、batch size、训练步数、硬件型号），但缺乏完整的配置文件、预训练模型或详细的代码实现，不足以进行完全复现。 论文中引用的开源项目：引用了以下开源项目作为技术组件：语音分离模型[26]（MDX-GAN，代码已共享）、音频编解码器DAC[29]、文本嵌入模型Mixtral[32]、音频嵌入模型CLAP[36]。 总结：论文中未提及任何开源计划。其复现性高度依赖作者未共享的专有数据、合成数据集和内部代码实现。 📌 核心摘要 要解决什么问题：音效设计师在创作中常需要将现有音频片段进行扩展（向前或向后）或在两个不同音频间进行无缝变形（morphing），传统方法耗时且易产生伪影。 方法核心是什么：使用基于扩散Transformer（DiT）的模型，在音频的潜在空间进行操作。核心是提出了一种音频提示指导（Audio Prompt Guidance, APG） 技术，通过在扩散过程中对已知（被掩码的）音频潜在表示和未知（噪声）部分应用一种变体的分类器自由引导（CFG），使生成结果更好地贴合原始音频提示。此外，为了克服在生成持续/静态声音（如环境音）时模型易产生无关噪声的“幻觉”问题，提出了使用合成的噪声底数据集（Noise Floor Dataset） 对模型进行微调。 与已有方法相比新在哪里：1) 提出APG，首次将CFG变体直接应用于音频模态本身以增强生成音频与输入提示的保真度。2) 设计了专门针对音效设计师需求（处理48kHz立体声、特效/环境声）的端到端扩展/变形框架。3) 创新性地构建大规模合成数据集（1.3M小时）并用于微调，以缓解特定数据分布导致的生成幻觉问题。 主要实验结果如何： 客观质量（FAD↓）：生成变形（GenMorph）的FAD为0.432，与原始音频（0.426）几乎持平，显著优于白噪声（1.358）和卷积噪声匹配（0.599）等基线。 方法 FAD ↓ GenExtend 0.520 GenMorph 0.432 Convolutional Noise Matching 0.599 White Noise 1.358 Noise Floor 0.586 Original Audio (上界) 0.426 - 主观测试（MOS 1-5分）：15名参与者（含专业人士）对音频扩展结果的平滑度、一致性和质量平均评分为3.5，3.8，3.5。中位数评分均为4分（对应“相当无缝”、“相当相关”、“良好”）。 - APG消融：指导强度γ从0增加到5时，FAD持续改善；在γ=5时，变形任务的FAD略有上升，故选定γ=5。 实际意义是什么：为音效设计师提供了一个高效、高质量的音频片段扩展与变形工具，有望减少重复性手动操作，提升创作效率。其提出的APG和数据集微调策略也可能对其他条件音频生成任务有参考价值。 主要局限性是什么：1) 应用范围限定在音效和环境声，明确排除了语音和音乐。2) 未与当前最强的通用音频生成模型（如基于大规模网络文本-音频对训练的模型）进行对比，其生成质量的天花板尚不明确。3) 训练数据（110万样本）和噪声底数据集（合成）的具体内容和质量未详细公开，可复现性依赖于作者未共享的资源。 🏗️ 模型架构 模型整体架构是一个在音频潜在空间进行操作的扩散流程，主要包含编码器、扩散Transformer（DiT）、解码器以及核心的APG和掩码机制。 ...

📄 GLA-GRAD++: An Improved Griffin-Lim Guided Diffusion Model for Speech Synthesis #语音合成 #扩散模型 #领域适应 ✅ 7.5/10 | 前25% | #语音合成 | #扩散模型 | #领域适应 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 高 👥 作者与机构 第一作者：Teysir Baoueb（LTCI, T´el´ecom Paris, Institut polytechnique de Paris, France） 通讯作者：未说明 作者列表：Teysir Baoueb（LTCI, T´el´ecom Paris, Institut polytechnique de Paris, France）、Xiaoyu Bie（同上）、Mathieu Fontaine（同上）、Ga¨el Richard（同上） 💡 毒舌点评 这篇论文的亮点在于将经典的信号处理算法（Griffin-Lim）与前沿的生成模型（扩散模型）结合得干净利落，通过一个“简单但关键”的修改（在预测y0项上进行一次性校正）同时解决了速度和鲁棒性两个痛点，在out-of-domain测试集上的提升相当亮眼。短板在于实验对比的基线不够丰富（未与同期的一些快速扩散声码器如FreGrad、SWave等直接对比），且未开源代码和模型权重，对于宣称“零样本”的方法，其实用价值评估需要等待社区验证。 🔗 开源详情 代码：论文未提供代码仓库链接。仅提供了演示页面：https://gla-grad-plus-plus.github.io/。 模型权重：未提及公开模型权重。 数据集：使用的是公开标准数据集（LJSpeech, VCTK），论文未提及额外私有数据集。 Demo：提供了在线演示页面：https://gla-grad-plus-plus.github.io/。 复现材料：给出了核心算法描述和关键实验参数（如GLA迭代次数、梅尔谱参数、扩散步数），但训练超参数（学习率、优化器等）、阶段切换的具体实现代码细节未提供。 论文中引用的开源项目：提到了WaveGrad [5]、HiFi-GAN [27]等作为基线或参考，但未明确列出本工作所依赖的开源代码库。 开源计划：论文中未明确提及未来开源计划。 📌 核心摘要 本文旨在解决基于扩散模型的声码器在条件梅尔频谱图与训练分布不匹配时性能下降且计算成本高的问题。其核心方法GLA-Grad++通过在扩散反向过程的早期，将神经网络预测的“干净语音”（预测y0）替换为从条件梅尔频谱图中通过一次Griffin-Lim算法（GLA）恢复的音频信号（˜x），来引导生成过程。与先前工作GLA-Grad（在多个扩散步骤中重复应用GLA）相比，本方法仅在扩散开始前应用一次GLA，显著加速了生成。实验表明，GLA-Grad++在感知语音质量（PESQ）和短时客观可懂度（STOI）上持续优于WaveGrad和GLA-Grad基线，尤其在未见过的说话人（VCTK数据集）场景下优势明显。例如，在VCTK上，GLA-Grad++的PESQ得分（3.772）相比WaveGrad（3.453）提升了约9.2%。该工作的实际意义在于为扩散声码器提供了一种无需重新训练、即插即用的增强方案，能有效提升合成语音在跨领域场景下的稳定性和质量。其主要局限性是方法性能（尤其是阶段切换点）对单个音频文件可能存在依赖性，论文建议未来可自适应选择最佳切换点。 ...

📄 GLAP: General Contrastive Audio-Text Pretraining Across Domains and Languages #音频检索 #对比学习 #预训练 #多语言 #零样本 🔥 8.5/10 | 前25% | #音频检索 | #对比学习 #预训练 | #对比学习 #预训练 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.8 | 置信度 高 👥 作者与机构 第一作者：Heinrich Dinkel (MiLM Plus, Xiaomi Inc., China) 通讯作者：未说明 作者列表：Heinrich Dinkel (MiLM Plus, Xiaomi Inc., China)、Zhiyong Yan (MiLM Plus, Xiaomi Inc., China)、Tianzi Wang (MiLM Plus, Xiaomi Inc., China)、Yongqing Wang (MiLM Plus, Xiaomi Inc., China)、Xingwei Sun (MiLM Plus, Xiaomi Inc., China)、Yadong Niu (MiLM Plus, Xiaomi Inc., China)、Jizhong Liu (MiLM Plus, Xiaomi Inc., China)、Gang Li (MiLM Plus, Xiaomi Inc., China)、Junbo Zhang (MiLM Plus, Xiaomi Inc., China)、Jian Luan (MiLM Plus, Xiaomi Inc., China) 💡 毒舌点评 亮点：GLAP真正实现了将语音内容理解无缝整合进音频-文本对齐框架，并在多语言语音任务上取得了远超前辈模型（如L-CLAP, MSCLAP）的惊人效果，证明了“一个模型通吃所有音频类型”的可行性。短板：其语音理解能力的显著提升，很大程度上归功于选择了对语音建模能力强的Dasheng作为音频编码器，这更像是一个工程上的“正确组合”，而非方法论上的根本性突破，且其性能在非英语语言的零样本声音分类上仍有明显衰减。 ...

📄 GLoRIA: Gated Low-Rank Interpretable Adaptation for Dialectal ASR #语音识别 #领域适应 #参数高效微调 #可解释性 🔥 8.0/10 | 前25% | #语音识别 | #领域适应 | #参数高效微调 #可解释性 学术质量 6.0/7 | 选题价值 1.5/2 | 复现加成 0.5 | 置信度 中 👥 作者与机构 第一作者：Pouya Mehralian (ESAT/PSI, KU Leuven, Belgium) 通讯作者：未说明 作者列表：Pouya Mehralian (ESAT/PSI, KU Leuven, Belgium)、Melissa Farasyn (∆iaLing, Ghent University, Belgium)、Anne Breitbarth (∆iaLing, Ghent University, Belgium)、Anne-Sophie Ghyselen (GLiMS & MULTPIPLES, Ghent University, Belgium)、Hugo Van hamme (ESAT/PSI, KU Leuven, Belgium) 💡 毒舌点评 这篇论文巧妙地将方言的“地理基因”编码进模型适配的“开关”里，让参数高效的LoRA学会了根据地图位置“量身定制”调整方向，可解释性做得相当漂亮。但其“门控”机制的发挥严重依赖基础模型本身对方言是“中立”的这个假设，如果预训练模型已经对某种方言有偏见，这套非负加法的逻辑可能就玩不转了，且依赖固定元数据（坐标）在流动性强的现代社会可能是个局限。 ...

📄 GLUE: Gradient-free Learning to Unify Experts #迁移学习 #预训练 #知识蒸馏 #多任务学习 ✅ 6.5/10 | 前50% | #迁移学习 | #预训练 | #知识蒸馏 #多任务学习 学术质量 5.5/7 | 选题价值 1.5/2 | 复现加成 -0.5 | 置信度 中 👥 作者与机构 第一作者：Jong-Ik Park (卡内基梅隆大学电气与计算机工程系) 通讯作者：未说明 (论文中未明确指定通讯作者) 作者列表：Jong-Ik Park (卡内基梅隆大学电气与计算机工程系)、Shreyas Chaudhari (卡内基梅隆大学电气与计算机工程系)、Srinivasa Pranav* (卡内基梅隆大学电气与计算机工程系)、Carlee Joe-Wong (卡内基梅隆大学电气与计算机工程系)、Jos´e M. F. Moura (卡内基梅隆大学电气与计算机工程系) *作者贡献相同。 💡 毒舌点评 亮点：该研究提出了一种巧妙的“偷懒”方法——用无需反向传播的无梯度优化（SPSA）来学习多专家模型的混合系数，将计算成本从全网络反向传播降至仅需两次前向传播，在保持与全梯度优化方法相当性能的同时，显著提升了效率。 短板：论文的实验验证场景较为理想化（使用同构模型在简单CV数据集上的混合），缺乏对真实世界复杂场景（如模型架构不同、训练数据量巨大、或需要在线学习）的验证，且未提供任何代码或复现细节，大大削弱了其实用价值和说服力。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：未提及。 数据集：未公开专家模型的具体训练数据集。提到使用基础数据集的原始测试集进行评估，但未提供获取方式。 Demo：未提及。 复现材料：给出了部分训练超参数（如学习率、batch size），但关键方法参数（如SPSA的扰动半径μ）和完整的实验配置信息不全。 论文中引用的开源项目：未提及依赖的开源工具或模型。 📌 核心摘要 要解决的问题：在需要将多个领域专家模型融合成一个适用于新目标域的通用初始化模型时，启发式混合（如按数据量加权）效果不佳，而基于梯度的学习混合系数的方法计算成本高昂（需要完整的反向传播）。 方法核心：提出GLUE方法，将目标模型初始化为固定专家模型的凸组合，通过一种称为“同时扰动随机近似”（SPSA）的无梯度优化技术来学习混合系数。每次迭代仅需两次前向传播（对混合参数进行微小扰动），无需反向传播。 与已有方法相比新在哪里：传统方法要么使用与目标域无关的启发式（如数据量），要么使用计算昂贵的全梯度优化。GLUE的核心创新在于，它将优化变量从高维的模型参数（P）降低到低维的专家混合系数（K，专家数量），从而使得在低维空间使用无梯度优化方法变得高效且稳定。 主要实验结果：在CIFAR-10、SVHN、Imagenette三个数据集和三种网络架构（ResNet-20、MobileNetV2、8层ViT）上的实验表明： GLUE生成的初始化模型在微调后，测试准确率比按数据量加权基线最高提升8.5%，比按代理准确性加权基线最高提升9.1%。 GLUE的性能与需要完整反向传播的全梯度优化方法（Config 3）非常接近，在CIFAR-10上甚至最高高出4.5%，在SVHN和Imagenette上的差异分别在1.4% 和 0.5% 以内。 图1展示了在微调过程中，GLUE（Config 4）能从更强的先验开始，并收敛到更高的测试准确率，趋势与全梯度方法（Config 3）高度一致。 实际意义：为跨领域模型融合提供了一种轻量级、低成本的部署方案。特别适用于需要快速将多个预训练专家模型适配到新领域，且计算资源受限的场景。 主要局限性：方法假设所有专家模型架构兼容；融合结果被限制在专家参数的凸组合内（目标最优解可能在外）；SPSA方法的性能对扰动半径等超参数敏感；实验仅在相对简单和小规模的视觉数据集上验证，未涉及真实复杂任务（如其摘要中提到的多语言ASR）。 🏗️ 模型架构 GLUE本身不是一个神经网络模型架构，而是一种学习专家模型混合系数的方法框架。其整体流程如下： ...

📄 GMS-CAVP: Improving Audio-Video Correspondence with Multi-Scale Constrative and Generative Pretraining #音视频 #对比学习 #扩散模型 #音频生成 #多尺度模型 ✅ 7.5/10 | 前25% | #音频生成 | #扩散模型 | #音视频 #对比学习 学术质量 7.0/7 | 选题价值 1.5/2 | 复现加成 -0.5 | 置信度 中 👥 作者与机构 第一作者：未说明（论文作者列表为“Shentong Mo1,2,3, Zehua Chen3, Jun Zhu3”，未明确标注第一作者） 通讯作者：未说明 作者列表：Shentong Mo（卡内基梅隆大学，MBZUAI，清华大学），Zehua Chen（清华大学），Jun Zhu（清华大学） 💡 毒舌点评 亮点在于将多尺度对比学习和多尺度扩散生成统一在一个框架内，为音视频预训练提供了新范式，实验结果在多个指标上刷新了SOTA；短板是论文对于模型具体架构细节（如扩散模型中噪声预测网络的具体设计）、训练硬件和完整超参数列表描述不足，且未提及开源计划，这使得严格的复现存在挑战。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：未提及公开权重。 数据集：使用了公开数据集VGGSound、AudioSet和Panda70M，但未说明是否提供了特定的预处理脚本。 Demo：未提及在线演示。 复现材料：给出了部分训练细节（优化器、学习率、批次大小、训练轮数），并参考了Diff-Foley的扩散设置。但模型架构的具体实现细节、完整的超参数列表和训练日志/检查点未提供。 论文中引用的开源项目：引用并基于Diff-Foley [6]的生成器设置；使用Adam优化器。 开源计划：论文中未提及开源计划。 📌 核心摘要 本文旨在解决现有对比音视频预训练方法在捕捉细粒度、多层次跨模态对应关系以及直接支持生成任务方面的不足。方法核心是提出GMS-CAVP框架，它统一了多尺度视频-音频对齐（MSA）的对比学习目标与多尺度空间-时间扩散（MSD）的生成预训练目标。与之前仅使用单尺度全局对比学习的方法相比，GMS-CAVP能捕获从细到粗的时空依赖关系，并直接建模模态间的转换映射。主要实验结果表明，在VGGSound等数据集上，GMS-CAVP在视频到音频生成任务（KLD: 1.63, FAD: 0.75, Align Acc: 95.87）和检索任务（如视频到音频R@1: 28.90）上均大幅超越了现有方法。其实际意义是为音视频理解与生成提供了更强大、统一的预训练基础。主要局限性可能包括模型复杂度增加带来的计算开销，以及对扩散模型采样速度的潜在影响（论文未深入讨论）。 ...