英文题目：What Selects, What Reconstructs: Repairing Exemplar-Based Complex-Spectrum Separation

标签：#音乐源分离 | #形式化分析 | #音乐 | #时频分析

评分：6.8/10 | 创新 1.6/2 | 技术严谨 1.3/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

👥 作者与机构

  • Maxime Baelde：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

单通道单帧复频谱分离输入为混合频谱、输出为各声源复谱估计，难点在于同一形变类既要选对字典原子又要重建相位，当形变可插值时残差判据退化为正则项排序且估计求和回混合。第一步负责揭示退化机理，用于逐频点自由形变检验插值条件并生成退化诊断，诊断结果传递至选择类设计。第二步用于刚性选择，负责对每原子施加1个复增益与1个纯时延共3个实参数的约束并提取能量归一化匹配滤波得分，得分排序后送入重建阶段。第三步负责联合重建，用于在已对齐的每声源top-k原子上作复最小二乘拟合并输出估计，可选按能量比例回吸收残差进入下一步最终合成。与已有复谱样例法共用同一自由形变类兼任选择与重建不同，本文强制选择类更贫瘠而重建类更丰富，使选择恢复残差信息且重建免于迭代搜索。在论文报告的评测设置下，本文方法相较Def-MAP的Δmix指标从+5.71 dB升至+6.11 dB，方向为更高。适用边界是：仅人声可声称样例分离且伴奏容量在纯模型下低于混合，结论限于MUSDB18 50首5秒摘录1024点半窗Hann STFT单帧设置且选择对混合打分导致容量随k增大被吞噬。成本方面，单帧推理时延在100原子/源时约10.7 ms、较原法降低47至806倍，测量于单核AMD Ryzen 7 7435HS未优化numpy实现且原文未披露训练成本。

🔗 开源与复现资源

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么、要输出什么、什么信息必须保留？

本论文研究的输入是 1 帧单通道混合的复数谱 x，目标是把同一帧拆成两个人声与伴奏两路复数谱估计 ŝ1 与 ŝ2。论文把短时傅里叶变换的每 1 帧看作长度 L=1024、跳长 512、周期 Hann 窗下的 F=513 个非冗余频点的复向量，实部与虚部各算作独立观测，零频与奈奎斯特频点为纯实数，因此 1 帧的有效实观测数是 q=2F−2=L=1024，而不是 2F。字典是事先从训练曲目中抽取的已学帧集合，每个源各有 N 个原子 c，称为范例，推断时不学习新参数，只做搜索。

必须保留的信息有两类：一是原子本身的幅度与相位形状，二是混合帧 x 的相位与幅度；输出必须在时域经窗叠加后可合成波形并用 SDR 评价。论文不做端到端神经网络训练，吸引力在于字典之外无可学习参数、推断是搜索而非优化，但也因此把成败完全压在搜索所优化的准则上。后续所有推导都围绕一个样本的路径展开：取 1 帧混合 x，从两字典各取一个候选原子 c1、c2，用变形把它们变形成 T1c1 与 T2c2 去解释 x，挑 1 对使准则最小，再把该对的变形结果作为两源估计输出。

论文把“挑选”与“重建”是否由同一变形类承担作为中心矛盾。挑选需要准则能区分候选，重建需要变形足够表达真实变化，若同一类既要挑又要重建，参数稍多就会让所有候选都能完美拟合混合，挑选随之失效。理解这一点是后续所有修复的前提。

同输入同目标的相关路线如何区分？

在相同输入与目标下，论文区分 3 条路线。第一条是范例与字典分解路线，从单麦克风存谱分离到有监督与半监督字典分解，再到噪声鲁棒识别的范例字典，特点是字典即模型，推断是搜索。第二条是加速搜索路线，用局部敏感哈希在流形保持嵌入上检索以及位运算与提升变体，它们让搜索更快但不改变被搜索的准则，准则若不能排序，搜得再快也只是更快地返回错误答案。

第 3 条是掩蔽与分解路线，多数分离器每频点返回实增益，理想比值掩蔽与最佳实掩蔽 m⋆是该类的天花板；非负矩阵分解在固定基下用非负组合重建，复数 NMF 则为每个原子携带相位并迭代学习基与相位。本文的修复类与有监督 NMF 在结构上相近，都用固定基的复增益组合，但本文的相位由时延斜坡对齐固定、增益由闭式最小 2 乘 1 次求解，不做非凸迭代学习。训练模型如 Open-Unmix 在同协议下被重跑作为参考点，作者明确不引用他处分数以保证条件一致。

相关工作的对照维度是同输入、同目标、同运行阶段：是否在同一帧、同一字典、同一指标与同一聚合对象上比较，而不是把类别差异当成胜负。 论文的贡献定位也据此划分：不是提出新的斜坡相位模型，斜坡即时延的线性相位与短时谱局部一致性已有文献，贡献是让斜坡只负责挑选、更丰富的局部组合只负责重建的分工；也不是提出新的掩蔽天花板，天花板的度量来自伴生论文，本文在每行同时报告该天花板以避免对着 IRM 低估缺陷。

什么准则在什么条件下会失去挑选能力？

论文把问题形式化为残差选择规则。给定变形类 T 与正则项 Ω，候选对 c1、c2 的分数定义为在约束 T1c1+T2c2=x 下 Ω 的最小值，若约束为空则分数为无穷，保留分数最小的候选对并返回其最优变形结果作为估计。惩罚形式把残差平方加到 λΩ 上在可插值区与约束形式在 λ 很小时同阶，因此讨论约束形式已足够。命题 1 给出退化条件：若 T 在所有候选对上都能插值 x 且最小值可达，则分数处处有限、被保留的对只是 Ω 在各自最优变形处的最小值、且无论挑中哪 1 对都有 ŝ1+ŝ2=x。

3 个后果可分开检验：没有候选能被观测证伪、排序完全由事前选定的正则项决定、输出恒满足求和恒等式因而与字典内容无关。 该条件在实验前即可用参数计数检验。设每变换含 p 个实参数，1 对含 2p，约束含 q 个独立实方程，若约束对参数线性且 2p>q，则约束集是维数至少 2p−q 的非空仿射集，类按构造插值。论文强调两个细节：约束矩阵满行秩是真实假设，静默频点会使之失效；q 不是 2F 而是 2F−2，因为实信号变换的端点频点为实数。

由此可直接判定 Def-MAP 是否退化，而不需先跑实验。

方法全景：两段式分工如何组织？

修复方法把挑选与重建拆成两段且不共享变形类。第一段只做挑选，在刚性类上对所有候选对打分，刚性类每原子仅一个复增益 g 与一个纯时延 τ，共 3 个实参数，远小于 q，因此残差仍含拟合信息。第二段只做重建，在第一段按混合对齐并选出的每源 k 个最优原子上，用 1 次联合复最小二乘拟合全部复增益，得到两路估计；k 是重建容量的控制量，与挑选无关。两段都非迭代、闭式求解，且重建段不再做 N1×N2 的对搜索，因而比原方法更快。

论文还引入残差再吸收系数 α∈[0,1]，把未解释残差 r=x−ŝ1−ŝ2 按两路估计的能量比加回，α=0 为纯模型，α=1 恢复求和为混合的结构，但选择始终在 α=0 下进行以保持挑选类的刚性。 沿一个样本走一遍：输入 1 帧混合 x 与两字典，刚性段先对每个原子估计时延与增益、对每对算残差并排序，重建段取排序靠前的 k 个原子组成矩阵 A，解增益向量 ĝ并合成 ŝ1、ŝ2，必要时按 α 把残差按能量权重加回。

教学例子：若字典含 50 个原子，k=4 时重建矩阵仅 8 列，解一个 8×8 的正规方程即可得到两路复谱，而原方法需对 2500 对每对在 513 个频点上解闭式变形。分工的理由是命题 1 的计数不等式：挑选需要 2p<q，重建需要容量，二者不等式方向相反，单类无法同时满足。

原方法的变形类为何必然插值？

原方法 Def-MAP 的变形类在每频点独立作用，且不是复乘法，而是实部与虚部分别用两个实向量缩放：T c 的实部为 ReT·Re c、虚部为 ImT·Im c。正则项 Ω 是变形到参考变换 T∘的平方距离，T∘的实通道为 1、虚通道为 0，含义是保持原子的实部、丢弃虚部信息，该不对称性来自把复谱写成两实向量后在 2 通道上放同方差先验。

\[\mathcal{M}(\mathbf{c}_{1},\mathbf{c}_{2})=\left\{T_{1}\mathbf{c}_{1}+T_{2}\mathbf{c}_{2}\ :\ T_{1},T_{2}\in\mathcal{T}\right\}\subset\mathbb{C}^{F}.\]

上式定义可达集 M(c1,c2) 为两原子经任意变形后相加能到达的所有复向量，插值即 x 落在该集合中。

\[\ell(\mathbf{c}_{1},\mathbf{c}_{2})=\min_{T_{1},T_{2}\in\mathcal{T}}\left\{\Omega(T_{1},T_{2})\ :\ T_{1}\mathbf{c}_{1}+T_{2}\mathbf{c}_{2}=\mathbf{x}\right\},\]

上式定义残差选择分数为在精确拟合约束下正则项的最小值，约束为空时为无穷。

\[T\mathbf{c}=\Re\mathbf{T}\cdot\Re\mathbf{c}+\mathrm{i}\,\Im\mathbf{T}\cdot\Im\mathbf{c},\qquad\Re\mathbf{T},\Im\mathbf{T}\in\mathbb{R}^{F},\]

上式给出自由每频点变形的具体形式，ReT 与 ImT 各含 F 个实参数。命题 2 在非退化频点给出闭式最优变形与准则：实通道增益由加性误差 ε=ax−a1−a2 按能量归一分配，虚通道增益由 bx 按虚能量分配，准则为两项能量归一的平方和。由此得到推论 1：除静默频点外所有频点上 ŝ1+ŝ2=x 恒成立；推论 2：虚部估计只依赖候选虚能量，是对 Im x 的比值掩蔽且恒与 Im x 同号；推论 3：虚部准则分子与候选无关，分母为候选虚能量，故越响的原子分数越小。

参数计数上每变换 p=2F，1 对 2p=4F，约束 q=2F−2，自由度至少 2F+2，故对任意字典与观测都插值，命题 1 逐字适用。静默频点使分母为零，方法返回 T∘且该频点贡献为零，是全局最小值但在字典中不连续，因此实验前对字典做能量过滤以避开该分支。 为直观理解刚性对齐的作用，先看合成原子的对齐演示，左图展示未对齐时相位差随频点的线性斜坡，中图展示去除斜坡后的残差相位，右图展示幅度域的残差水平，三图共同说明刚性类能解释什么、不能解释什么。

看图路径： 1. 观察左图相位差随频点呈线性斜坡，核对拟合斜率 τ=3.38 是否贴合蓝点；2. 对比中图去除斜坡后残差相位是否在零附近随机抖动；3. 检查右图残差幅度是否远低于混合与对齐原子的幅度谱

原论文 Fig. 1：The alignment step, on a synthetic atom of known delay and gain.

论文图 1。原论文 Fig. 1:：“The alignment step, on a synthetic atom of known delay and gain.”。

左图可见未对齐时蓝点相位差随频点呈约 -12 到 0 rad 的线性下降，红色虚线拟合斜率 τ=3.38 贴合该趋势；中图去除斜坡后残差相位在 0 附近±0.4 rad 内随机抖动，红色虚线增益相位接近零，说明斜坡已解释主要结构；右图对数幅度上混合与对齐原子曲线接近，残差曲线低约一个数量级，该残差正是刚性类无法解释而使准则保持信息量的部分。

变形类 × 残差选择规则： 变形类负责把候选原子变形成能解释观测的波形，残差选择规则负责在所有候选对中挑 1 对；当变形类足够丰富能对任意候选都精确拟合观测时，残差恒为零而选择规则只能比较正则项 Ω，搭配的意义在于用参数计数判断选择是否还有信息量，而不是把拟合能力等同于挑选能力。

刚性挑选与局部重建如何计算？

刚性类的物理假设是库中范例与真实帧主要差一个子帧时延与电平差，纯时延在频域为线性相位斜坡。

\[c[f]\longmapsto g\cdot c[f]\,e^{-2\mathrm{i}\pi f\tau/L},\qquad g\in\mathbb{C},\ \tau\in\mathbb{R},\]

上式给出刚性变形，每原子由复增益 g 与实数时延 τ 参数化，共 3 个实参数，满足 2p=6<q。时延由互相关 irfft(共轭 c·x) 峰值估计并在峰附近做抛物线亚采样精化，峰值被限幅在 τmax=128 样点约 2.9 ms 内，限幅依据是窗边缘近零时圆周移位近似真实时延的适用范围。对齐后，1 对候选的复增益由 2×2 Hermitian 正规方程闭式求解并加迹比例脊正则以避免近共线时的数值爆炸，选择分数即该拟合的残差。命题 3 把计数转化为维度论证：若 2p<q 且映射局部 Lipschitz，则可达集在 q 维空间中测度为零、内点为空，插值仅在零测集上发生，残差恢复数据项。 重建段不再搜索对，直接对齐全部原子、每源保留 k 个最优者，联合拟合全部增益：

\[\hat{\mathbf{g}}=(\mathbf{A}^{*}\mathbf{A}+\rho\mathbf{I})^{-1}\mathbf{A}^{*}\mathbf{x},\qquad\hat{\mathbf{s}}_{i}=\mathbf{A}_{i}\hat{\mathbf{g}}_{i},\]

上式中 A 为已选对齐原子矩阵，ρ 为与迹成比例的脊系数，k=1 时退化为成对规则的同一 2×2 求解，因此 k 的扫描从对照点起步。选择分数采用能量归一的匹配滤波|c*x|/‖c‖，正好抵消推论 3 的响度偏置；估计位于所选原子的复线性张成中，容量即真值在该 k 维子空间上的投影。局部类每对含 4k 个实参数，远小于自由类的 4F=2052，若小 k 已接近自由类的容量，则每频点自由度并无额外容量优势。

刚性选择类 × 丰富重建类： 刚性选择类每原子仅 3 个实参数（复增益 2 个加纯时延 1 个），刻意贫穷以保留残差的信息量；丰富重建类在已选的 k 个对齐原子上联合拟合复增益，参数随 k 增长以提升重建容量；二者分工的理由是命题 1 要求挑选类不可插值而重建类需要容量，同一类兼两职必然在可插值时退化为正则项排序。

本研究是否训练模型、如何构造与推断？

本研究没有训练神经网络，也不更新字典。字典由 MUSDB18 训练曲目的帧按每轨配额抽取构成，测试曲目在轨级别隔离，字典抽样嵌套，50 原子池是 300 原子抽样的前 50，因此随字典规模的趋势不受独立抽样噪声干扰。没有梯度路径、没有监督损失对字典的更新，推理是确定性搜索与闭式求解的组合：时延由相关峰与抛物线精化得到，增益由正规方程闭式求解，重建增益由 1 次联合最小二乘得到。唯一可调的两个量 k 与 α 不基于测试集调优，而是以扫值形式报告，k∈{1,2,4,8,16}，α 在[0,1] 以 0.25 步长扫描。

需要明确未报告的细节：刚性类的时延估计采用加脊的 2×2 求解与限幅抛物线近似，命题 3 保证的是该类本身的非退化性，而非该近似搜索的质量，搜索质量由实验度量而非界保证。重建段的 k 个原子按个体相关性贪心选取，而非最优 k 子集，因此测得的容量是类天花板的下界。残差再吸收按能量比分配，形式上是实增益掩蔽，其带来的提升属于掩蔽类天花板所界定的范畴，复合估计虽非对混合的掩蔽但提升来源仍是掩蔽型。

因此本节的计算过程是构造加推理：构造是按配额抽帧建库，推理是单帧对齐、打分、选 k、解增益、按需再吸收，全程无迭代优化。

在什么数据、协议与参照下度量？

语料为 MUSDB18，两源为人声与伴奏，字典来自训练轨，测试取 50 轨每轨首个 5 秒片段，位置固定以排除抽样与种子影响，片段位置敏感性在文中另行报告。分析参数为 44.1 kHz、L=1024、跳 512、周期 Hann 窗、F=513，1 帧 23 ms，τmax=128，脊系数 1e-8·tr(Gram)，字典 50、100、300 每源，k 扫 1 至 16，α 扫 0 至 1。指标为经窗叠加合成后的时域 SDR，去掉首尾 1 帧长度以避免边缘主导误差，不拟合 BSS Eval 的时不变失真滤波以保留增益与相位误差，每轨配对平均。

参照系每行包含 5 个同轨同片段的神谕：混合自身为下界、理想比值掩蔽、神谕维纳滤波、最佳实掩蔽 m⋆及其截幅变体，m⋆是掩蔽类的真实天花板。论文在每行同时报告 m⋆与 IRM，因为在该协议下二者均比 m⋆低约 3 dB，只对 IRM 读数会低估缺陷。配对、排除与报告规则为：轨间难度差异远大于待测边际，故均值按轨配对；一茎在另一茎下静默的片段使天花板无穷且会把均值拉动数百 dB，故在混合自身源间比超过 60 dB 时两源同时排除以保持配对对称。

神谕与准则的间隙无需额外估计量，二者同格平均的列差即配对平均间隙。天花板容量线用真值对齐并按真值挑选原子测得，随 k 与字典单调不减。

最佳实掩蔽 m⋆ × 理想比值掩蔽 IRM： 最佳实掩蔽 m⋆是每频点实增益使掩蔽后波形最接近真值的天花板，理想比值掩蔽 IRM 是常用幅度比掩蔽；m⋆高于 IRM 约 3 dB 且是本文所有掩蔽类方法的真实上限，用 m⋆作分母的 Δ⋆才能如实读出缺陷，用 IRM 会把 10 dB 的距离误读为 7 dB。

挑选失效与修复各在什么条件下显现？

诊断实验在同一候选池上比较 4 条规则：原准则、幅度可加性的相位盲规则、池内按真误差选对的神谕、以及掩蔽天花板。原准则的神谕与准则间隙在 50、100、300 原子下为 6.23、6.57、7.70 dB，准则自身随字典增大先升后降，50 时 +5.84、100 时 +6.07、300 时 +5.71 dB 高于混合，而神谕单调从 +12.07 升至 +13.41 dB；相位盲规则的间隙为 6.11、6.34、6.43 dB，与原准则差距小于任一规则自身的间隙，说明丢弃字典相位并不比原准则更差，缺陷在规则而非字典。

为回答准则是否随字典变差、修复是否把间隙压回以及最终输出距天花板多远，下表在相同字典、相同片段、相同配对平均条件下对比可部署策略与必要基线，指标为时域 SDR 的 Δmix 与距 m⋆的 Δ⋆，延迟仅计部署规则本身。

条件指标原方法 Def-MAP刚性对 k=1局部 k=4 α=0局部 k=4 α=0.75容量 k=4 神谕有监督 NMF 25 步Open-Unmix最佳实掩蔽 m⋆
人声 300 原子Δmix dB+5.71+5.41+6.11+6.93+10.23+7.82+11.61+16.97
人声 300 原子Δ⋆ dB−11.26−11.56−10.86−10.04−6.74−9.15−5.360.00
伴奏 300 原子Δmix dB+0.38−0.93+0.20+1.47+1.73+2.49+6.27+11.64
伴奏 300 原子Δ⋆ dB−11.26−12.57−11.43−10.16−9.90−9.15−5.360.00
延迟 100 原子ms/帧1037.212.210.710.7n/a3.2n/an/a

该表显示修复后人声在 300 原子下 Δ⋆为−10.86 dB，距 m⋆仍 10.0 dB、距 IRM 约 7.0 dB；相对原方法的配对增益为 0.9–1.2 dB，轨间标准差 1.3–1.4 dB，50 轨下标准误约 0.19 dB，增益约 4–6 倍标准误。

池内神谕在 k=4 时比原方法高 3.4–4.5 dB，在 k=16 时高 6.1–7.3 dB，而部署规则仅兑现其中一小部分，说明选择锁是主要瓶颈。伴奏在 α=0 时仅 +0.20 dB，容量亦仅 +1.73 dB，说明范例模型在该源上本身容量不足。 诊断曲线进一步验证计数预测，左为人声、右为伴奏，随字典增大神谕稳步上升而原准则平坦或下降，二者间隙在两源上数值一致，符合推论 1 的单误差信号预测。

看图路径： 1. 对比左右两列，核对神谕曲线随字典增大上升而准则曲线平坦或下降；2. 核对虚线 m⋆与点划线 IRM 的相对位置，确认天花板高度；3. 观察 50、100、300 三档上两源差距是否一致

原论文 Fig. 2：The diagnosis. Gain over the mixture against dictionary size, both sources, for the original…

论文图 2。原论文 Fig. 2:：“The diagnosis. Gain over the mixture against dictionary size, both sources, for the original criterion and for an oracle picking the pair that minimises the true error in the…”。

图中人声侧蓝色神谕线从约 12 dB 升至 13.5 dB，绿色原准则线在 5.5–6 dB 间平坦，橙色相位盲线与之重合；伴奏侧神谕从约 6 dB 升至 8 dB，准则线在 0–1 dB 间平坦；虚线 m⋆与点划线 IRM 分别位于约 17 dB 与 14 dB 附近，确认天花板高度与两源一致的间隙。

容量 × 实际质量： 容量指用真值对齐并按真值误差挑选 k 个原子后投影能达到的上限，实际质量指用混合对齐并按混合残差挑选同样 k 个原子后实际输出的 SDR；容量随 k 和字典单调不减，质量是否跟随取决于选择是否对准目标，二者对比直接暴露选择锁把重建类新增的容量全部吸收的机制。

刚性约束与 k 的消融如何改变间隙与质量？

把选择类换成刚性类后，神谕与准则的间隙从自由类的 6.23–7.70 dB 压到人声 2.13、2.29、2.80 dB 与伴奏 0.48、0.55、0.80 dB，降幅约三分之二至 90%，且对称性被打破，自由类两源间隙相等而刚性类人声间隙约为伴奏的 3.5–4.5 倍，符合不再插值时的预期。残余间隙仍随字典增大，人声增 0.67 dB、伴奏增 0.32 dB，且神谕同期上升，说明残余缺陷随字典而加剧，指向对混合打分的交叉项。 重建侧的 k 消融在 300 原子下显示容量与质量单调分叉：人声间隙在 k=1,2,4,8,16 时为 2.75、3.31、4.12、5.34、7.42 dB，伴奏为 0.85、1.06、1.53、2.56、4.53 dB；固定 k 时字典越大间隙越大，k=1 时 2.09→2.75 dB，k=16 时 6.36→7.42 dB，验证双轴复合。

容量从 +8.56 升至 +12.99 dB，而实际质量为 +5.81、+6.02、+6.11、+6.05、+5.57 dB，在 k=4 达峰后于 k=16 回落，新增的 4.4 dB 容量被选择锁完全吸收，因此 k 不控制部署质量，工作点取 k=2 或 4 而非最大 k。 为回答延迟是否随字典与 k 变化，下表在单核单帧 numpy、F=513、1 帧 23 ms 的最佳 5 次测量下对比原方法与修复规则的每帧耗时，条件为随机谱上仅计部署规则本身。

atoms/srcDef-MAPramplocal k=4local k=16align + score
50243.45.45.25.94.3 + 1.2
1001037.212.210.711.69.1 + 2.2
3009513.465.744.745.339.0 + 26.3
1000103798.0316.4128.8128.2116.6 + 180.3

该表显示局部组合比原方法快 47–806 倍，刚性对快 45–328 倍；原方法严格 2 次，字典比的平方为 4、9、11.1 时延迟比为 4.3、9.2、10.9；局部组合在 50–300 原子下以对齐为主，1000 原子时打分 2 次项反超。

k 在全程仅带来毫秒级波动，说明 2 次项来自对搜索而非 k。 刚性约束的效果在间隙与质量两轴上同时显现，左图间隙大幅压低且两源分离，右图质量随字典上升。

看图路径： 1. 左图对比虚线自由类与实线刚性类的选择间隙随字典的变化；2. 右图对比两类各自交付的 SDR 增益，核对刚性类是否随字典单调上升；3. 检查自由类在两源上间隙是否重合而刚性类是否分离

原论文 Fig. 3：The selection gap before and after the phase constraint.

论文图 3。原论文 Fig. 3:：“The selection gap before and after the phase constraint.”。

左图虚线自由类间隙在 6–8 dB 且两源重合，实线刚性类间隙在 0.5–2.8 dB 且人声高于伴奏；右图实线刚性类交付的 SDR 随字典从约 5 dB 升至 5.5 dB，虚线自由类平坦或下降，间隙的对称性破缺与质量趋势共同支持计数诊断。

还剩什么锁、什么未被主张？

剩余锁是对混合而非对目标打分。分数⟨c,x⟩=⟨c,s1⟩+⟨c,s2⟩含交叉项，仅当两字典正交时消失，现实字典不正交，规则偏好解释混合而非贴近源的原子，且随 k 与字典增大而加剧。论文尝试两种近似补救：按与另一源字典的相干性折扣分数，以及两源联合经减法去偏选择，在 k=16、300 原子下人声从 +5.57 提至 +6.20 与 +6.54 dB，相对容量 +12.99 仅闭合 8–13%，锁仍开放。 未被主张的边界同样明确。第一，伴奏在 α=0 时 k=1 的模型输出低于混合自身−1.53、−1.17、−0.91 dB，容量亦低于混合，k=4 时才以 +0.20 dB 略高于混合，说明范例分离在伴奏上不成立。

正增益多来自 α>0 的再吸收掩蔽，中位相位误差从模型的 83 度降至再吸收后的 9–13 度，相位已来自混合而非字典。第二，训练模型 Open-Unmix 在同协议下人声达 +11.61 dB、距 m⋆5.36 dB，仍比修复规则高约 5 dB，作者不主张超越最新训练模型。第三，有监督 NMF 在 25 步时人声 +7.82 dB、延迟 3.2 ms，在质量与延迟两轴均领先修复规则，范例路线的价值在于诊断与自带相位而非绝对分值。第四，实时性仅在 100 原子内满足 23 ms 帧长，300 原子时局部组合需 44.7 ms 已超帧长。

容量与质量随 k 的分叉直观展示锁的规模，人声容量上升而质量平坦，阴影面积即被吸收的容量。

看图路径： 1. 核对人声列容量曲线随 k 从 1 到 16 上升约 4.4 dB 而局部质量曲线平坦；2. 观察阴影锁面积是否随 k 单调扩大；3. 对比伴奏列容量与质量的绝对高度是否远低于人声

原论文 Fig. 4：Quality against capacity as k grows, both sources, 300 atoms per source.

论文图 4。原论文 Fig. 4:：“Quality against capacity as k grows, both sources, 300 atoms per source.”。

左图人声容量线从约 8 dB 升至 13 dB，局部质量线在 5.5–6.5 dB 间平坦，阴影锁面积随 k 扩大至约 7.4 dB；右图伴奏容量从约 0 dB 升至 4 dB，质量线在 0–1 dB 间平坦，整体高度远低于人声但锁同样随 k 扩大。

对混合打分 × 对目标打分： 对混合打分指用⟨c,x⟩排序原子，对目标打分指用⟨c,s1⟩排序；混合等于两源之和故分数含交叉项⟨c,s2⟩，只有两字典正交时该项为零；搭配的意义在于揭示即使挑选类已变刚性，只要目标仍是混合，字典越大、k 越大就越偏好解释混合而非贴近源的原子，锁随容量一起增长。

复现需要哪些数据、参数与步骤？

复现先固定数据与划分：MUSDB18 训练轨建库、测试 50 轨每轨首个 5 秒片段、轨级隔离、字典按每轨配额抽取并嵌套，50 原子池为 300 原子池的前缀，片段位置固定以避免抽样偏差。分析参数固定为 44.1 kHz、L=1024、跳 512、周期 Hann 窗、F=513、τmax=128、脊系数 1e-8·tr(Gram)，字典 50、100、300，k 扫 1、2、4、8、16，α 扫 0、0.25、0.5、0.75、1。指标为窗叠加合成后时域 SDR，去首尾 1 帧，不拟合失真滤波，配对平均，静默片段按混合自身源间比 60 dB 阈值 2 源同时排除。 实现步骤按单帧流水复现：对每原子算 irfft(共轭 c·x) 相关、取峰并抛物线精化得 τ 并限幅，按式 8 对齐原子；对每对解 2×2 正规方程得复增益并算残差以排序。

取每源前 k 个对齐原子组成 A，解式 9 得增益并合成两路估计；如需再吸收则按式 10 以能量比把残差按 α 加回。延迟测量在随机谱上、单核单帧 numpy、最佳 5 次、仅计部署规则。代码与度量层在 https://github.com/mbaelde/defmap-repair 标签 v1.0.0 可得，复现时应先跑 k=1 对照点核对与成对规则的一致性，再扫 k 与 α 并同时报告 m⋆与 IRM 两条天花板以避免对 IRM 低估缺陷。 未验证的环节需补测：时延对混合估计的污染可通过对齐、拟合、减去另一源当前估计后重对齐来闭环。

增益相位对相关峰的偏移需在解析包络上精化；含转移项的因子隐马尔可夫模型的精确 Viterbi 解码为每帧 O(N²)，与对搜索同阶，本文理论不依赖该项。

何时值得尝试、如何避免常见误解？

当你的分离器用同一变形既挑候选又做重建、且每变换参数接近或超过观测数时，值得用计数不等式 2p<q 先做诊断：若满足 2p>q 且约束线性，则所有候选都能拟合观测，残差排序只排正则项，表现为越响越优、虚部成掩蔽、输出恒求和为混合且与字典无关。此时不应先扩字典或调正则权重，而应把挑选类换成贫穷的刚性类如复增益加纯时延，让残差恢复信息量，再用局部联合最小二乘提升重建容量。 常见误解有三。

其一，把容量等同于质量：容量是按真值挑选的投影上限，质量是按混合挑选的实际输出，二者在 k 与字典上分叉是选择锁的直接证据，增大 k 或字典不会自动提升质量。其二，把对 IRM 的距离当成对掩蔽类的距离：IRM 比 m⋆低约 3 dB，对 IRM 读−7 dB 相当于对 m⋆读−10 dB，缺陷会被低估。其三，把 α>0 的提升当成范例模型的提升：α 的再吸收是按估计能量加权的实增益掩蔽，提升属于掩蔽类天花板范畴，只有 α=0 列才能支撑关于范例模型本身的主张。

是否采用取决于目标与预算：若需要可解释的相位与闭式非迭代推断且能接受在 100 原子内实时、300 原子时超帧长的延迟，刚性挑选加局部重建是可用基线；若追求绝对 SDR 或伴奏质量，训练掩蔽模型与有监督 NMF 在同协议下仍领先。下一步验证应补上对混合打分的去偏准则，例如惩罚两张成 Span 间的主角度或‖A1*A2‖，论文的近似已显示仅闭合 10%，闭合该锁才能把已有的容量转化为输出。

📎 论文与评分元数据

排名：前50% | 文档类型：方法研究 | arXiv 原文

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

  • 评分规则：type-aware-v1

  • 评分模型：muse-spark-1.2-contributor

  • 评分请求协议：openai_responses

← 返回 2026-09-08 语音/音乐/音频论文速递