英文题目：POLARIS: Training-Free Audio Fingerprinting with Saliency-Based Landmarks and Delaunay Grouping
标签：#音频指纹 | #时频分析 | #音乐 | #鲁棒性 | #基准测试
评分：8.8/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 1.5/1.5 | 可复现 0.5/0.5 | 工程/实践 1.2/1.5
👥 作者与机构
- Jiheng Li：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
音频指纹需将受压缩、噪声、滤波、混响与声学重录污染的短查询映射回参考曲目并估计偏移，而全局音高节奏不变时局部峰点漂移与三角剖分翻转仍是主要失效源。POLARIS先由对数幅度谱经细尺度平滑与宽背景相减得到对比，再按邻域对比能量归一化并融合幅度项形成显著场，取局部极大并经速率控制输出地标。随后在归一化时频平面做Delaunay三角剖分，将每个三角面量化为含绝对频率与相对偏移的哈希并以时差投票检索，查询不自信时再对二跳邻居生成临时指纹二次匹配。相对固定目标区域与直接幅度峰值，该设计以局部背景自适应抑制伪峰，并以查询侧扩展吸收拓扑变化而不膨胀参考索引。在SD-RR基准下，POLARIS-A的准确率为84.61%，高于NMFP的准确率74.33%。在Apple M2 Max硬件上自适应模式的推理开销约为0.30 s每查询，参考载荷与免训练基线相当且小于神经方法，免训练故训练成本为零。结论适用边界限于闭集、无全局变调变速及单一笔记本加手机与少量场景，开放集、大库与多设备外推尚未验证。
🔗 开源与复现资源
- 代码相关资源：https://github.com/JihengLi/POLARIS.git → https://github.com/JihengLi/POLARIS — 链接可访问（HTTP 200）
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，输出是什么，为什么失真让匹配变难？
本文解读的对象是单篇论文报告的音频指纹系统，目标是让刚进入语音音乐音频领域的研究生能按原文复述方法与实验条件。必须保留的信息包括任务定义、显著性地标的计算步骤、三角形分组与哈希方式、只在查询侧扩展的安排、自适应判断阈值、两个评测集的构造与指标口径，以及论文明确写出的局限。输出是 1 篇可核对的技术解读，不做超出证据的效果承诺。
音频指纹的输入是一段待识别的查询音频，输出是参考库中最可能的轨道编号以及查询在该轨道中的时间偏移。参考库事先存好已知录音的指纹，查询到达后再算指纹并检索。困难在于查询可能经过压缩、加噪、滤波、混响或经扬声器播放再被手机录下，时频图上的能量分布会被抬高、压低或抹平，峰的位置与数量都会变化。如果系统直接记住原始频谱峰，失真后同一首歌的峰可能对不上，检索就会丢失命中。
本文限定在全局音高和速度不变的情形下讨论可靠性、参考索引大小与查询效率的平衡，不处理变速变调带来的整体几何拉伸。
已有路线如何选点与组网，本文站在哪条分支上？
已有工作大致分为学表示与免训练两条路线。神经方法从增广音频中学习对失真鲁棒的嵌入，检索时比嵌入距离再做时间对齐。免训练的地标哈希路线一般分 3 步：从时频表示中选稀疏地标，把邻近地标编成指纹，用哈希倒排加时间偏移投票找回候选。选点方式不同，Shazam、Audfprint 与 OLAF 类系统多用频谱峰，另有工作先对变换谱做归一化增强再选峰，因此鲁棒性部分取决于如何定义谱突出性。
组网方式也不同，常见做法是在每个锚点周围规定目标区或取最近邻，而 Delaunay 三角剖分是另一种按几何决定分组的规则，每个三角形面定义一个三元组指纹。论文回顾了该规则在生物指纹识别中的应用，以及一份专利中把它列为频谱兴趣点分组候选之一，但指出专利只描述了基于比值的时窗描述子，没有给出受控的音频识别评测。查询与参考是否对称也是一个设计维度，有工作只保留辅助信息供查询匹配，也有工作把查询指纹做多而把参考索引做稀疏。
本文属于免训练的地标哈希分支，参考侧只存 Delaunay 面对应的指纹，查询侧在需要时额外补两跳邻域指纹，扩展不进参考库。评测方面，合成失真可控可复现但不能完全代表真实播放设备与房间声学，因此本文同时用合成子集与真实重录集评测。
要解决的具体问题与不解决的问题是什么？
具体问题是：在不训练神经网络、不扩大参考索引的前提下，提高压缩、滤波、噪声、增益变化、回声及其组合，以及真实扬声器播放加手机录音条件下的轨道识别与偏移估计准确性。输入是数秒长的查询片段，输出是轨道排序与偏移估计。约束是参考指纹保持稀疏，查询时间保持可接受，且方法对非均匀时频背景稳定。
举例来说，这里的例子仅用于帮助理解流程，不代表论文数值：若某时频区整体能量偏高，直接取幅度极大值会选出一批难以在失真后复现的弱起伏，而归一化对比更希望选出相对周围真正突出的点。不解决的问题包括全局音高或速度变化，论文在合成集上明确排除了带变调或变速标注的查询。开放集识别、超大规模库、大范围房间设备组合也不在本次评测范围内。理解这条边界很重要，否则会把本文结论误用到变速变调检索或开集拒绝场景。
跟着一个片段走完输入到输出的全链路
先沿一个查询片段走一遍。音频先做短时傅里叶变换得到对数幅度谱并归一化，系统在该谱上算显著性场并取局部极大作为地标，再用滑动窗速率控制器把密度控制到每秒约 22 个点。接着把地标坐标做时间频率归一化并做 Delaunay 三角剖分，每个保留下来的三角形面按时间排序顶点并量化成哈希，查询哈希到参考倒排中找同值条目并投票到时间差上，得分最高的轨道即为识别结果，对应簇中心即为偏移估计。
若第一轮只用原始三角面的匹配不够自信，系统再为查询补两跳邻域指纹并检索 1 次。下图把分组这一步可视化，左图是三角网铺在显著性背景上的整体形态，右图用保留与拒绝的对照说明空圆准则如何过滤三元组。
为理解分组依据，先看左图时间频率平面上三角网如何随地标疏密自适应变化，再看右图空圆内外是否还有其他地标，这是判断一个三元组能否进入索引的关键。
看图路径： 1. 先看左图横轴时间与纵轴频率构成的显著性背景上白色三角网的疏密与走向；2. 再看左图中央黄色框放大的一个三角形及其三个顶点在亮斑上的落点；3. 对照右上两格被保留的三角形与其外接圆内无其他地标的关系；4. 对照右下两格被拒绝的情形中外接圆内出现多余点或圆过大跨区的情况
论文图 1。原论文 Figure 1:：“Delaunay fingerprint construction. (a) Selected landmarks are organized by Delaunay triangulation on the saliency field.”。
该图左面板显示所选地标已按 Delaunay 规则连成互不重叠的三角形，中央放大框提示三角形顶点落在显著性亮斑附近。右上两个保留例子中三角形外接圆内部没有其他地标，右下两个拒绝例子中外接圆内部出现多余点或几何跨度过大。结合正文的过滤条件可知，时间跨度、归一化面积、最长边与外接圆半径共同决定去留，目标是丢掉退化或跨区过大的三角形，避免产生难以复现的哈希。全链路的要点是参考侧始终只存这类保留面的哈希，查询侧的额外指纹是临时计算的，不会随库规模增长而增加存储。
显著性场如何算，地标如何选？
传统做法直接在频谱幅度上找局部极大，只能保证该点大于邻居，既不度量大多少，也不考虑局部背景起伏。本文先平滑再减背景得到对比，再按周围对比能量归一化，最后叠加幅度项。记对数幅度谱为输入，平滑与背景估计分别用细尺度与粗尺度高斯算子实现，对比为二者之差。归一化时用另一高斯算子平滑对比平方得到局部能量，分母加小量防止除零。幅度项对平滑谱减阈值后取正部，偏好归一化对比相近时更强的谱分量。两个系数控制对比与幅度贡献。
\[X_{s}=\mathcal{G}_{s}(X),\qquad C=X_{s}-\mathcal{G}_{b}(X_{s}).\]上式说明输入是对数幅度谱，输出是背景相减后的对比，细平滑保留峰形而粗平滑估计背景，背景相减使非均匀底噪下的起伏可比。
\[N=\frac{C}{\sqrt{\mathcal{G}_{n}(C^{2})+\epsilon^{2}}}.\]上式把对比除以周围对比能量的平方根，含义是同一绝对差在起伏大的区域折扣更大，在平坦区域保留更大，从而实现局部自适应。
\[S=\beta N+\gamma[X_{s}-\tau]_{+}.\]上式把归一化对比与幅度项加权相加得到显著性场。选点时直接在该场上找局部极大，丢弃分数不大于五的候选，按分数排序后用 2 秒滑动窗速率控制器保留约每秒 22 个地标。
显著性场 × 地标： 显著性场负责把每个时频点高于局部背景的程度换算成可比分数，地标负责从该分数场中取出可重复定位的稀疏点，二者搭配的原因是直接取频谱幅度极大值无法区分强背景上的小起伏与弱背景上的真峰，组合后系统只对归一化对比和幅度都满足条件的点做后续三角组网。
阈值与窗长共同决定稀疏性，后续三角剖分的计算量与哈希量都受该密度约束。
Delaunay 分组与哈希编码如何把三点变成可检索键？
三角剖分前先把频率除以频率尺度、时间除以时间尺度，消除帧与频点单位不一致对几何的影响，所有面积边长与外接圆都在该归一化平面上度量。对整首录音的全部地标做三角剖分，凸包被划分成内部互不重叠的三角形面，每个面满足空圆准则，即其外接圆内部不含其他地标。分组因此由点集几何决定，而不是由每个锚点周围的人为目标区决定。三角形数量随地标数线性增长，论文引用上界为少于 2 倍地标数，远少于全部三点组合数。
编码前先按时间跨度、归一化面积、最长边与外接圆半径丢掉退化与跨区过大的三角形。保留三角形的 3 个顶点按时间排序，哈希编码首点绝对频率与后两点相对首点的时频偏移，共 5 个量分别量化，首点时间单独存放以供投票时算偏移。
\[\mathbf{h}_{\Delta}=\mathcal{Q}\big(\left[f_{1},\,f_{2}-f_{1},\,t_{2}-t_{1},\,f_{3}-f_{1},\,t_{3}-t_{1}\right]\big),\]上式中方括号内依次是首点频率、两点频率差与时间差，量化算子逐分量离散化，时间差的量化步长与频率差的量化步长按表列参数固定。Delaunay 三角剖分负责决定哪些地标编为一组，指纹哈希负责把该三元组量化为可检索键，二者组合把几何邻接约束转化为稀疏可投票的检索表示。
Delaunay 三角剖分 × 指纹哈希： Delaunay 三角剖分负责按地标几何决定哪 3 个点编成一组，指纹哈希负责把该三元组的绝对频率与相对时频偏移量化成可检索键值，搭配理由是用几何邻接代替固定目标区可以让候选三元组数量随地标数线性增长，组合意义是参考库只存稀疏三角形对应的哈希而不存全部三点组合。
检索时还会查 5 个量化值中任一加一或减一的邻近哈希，以减少恰好落在量化边界附近时的漏检。
查询侧两跳扩展与投票打分如何执行？
查询失真可能移动地标或新增地标，即使 3 个点仍被检出，它们在查询三角网中也可能不再构成同一个面。两跳扩展只在查询侧执行，参考索引不变。对每个查询地标，系统沿查询 Delaunay 图向时间更晚的邻点走至多两条边，取其中最近的 12 个邻点，最多为该地标补 24 个不要求成面的三元组指纹。匹配沿用哈希加时间偏移投票，每个查询哈希取同值参考条目，每个命中按参考时间与查询时间的差值投票，正确命中应在同一偏移聚簇。
出现于很少参考轨道的哈希获得更大权重，以压制常见哈希的影响，最强加权簇给出轨道得分与偏移估计。自适应流程分 2 个阶段，先只用查询原始三角面匹配，若首名至少有 8 个匹配哈希且按最高 2 名得分算的间隔不小于 0.40，则直接返回，否则加入两跳指纹再检索 1 次。
两跳邻域扩展 × 自适应查询： 两跳邻域扩展负责在查询侧沿 Delaunay 图走至多两条边补出可能被失真拆散的三元组，自适应查询负责先只用原始三角面匹配并按匹配数与分差判断是否可信，搭配原因是扩展能找回匹配但会增加查询负载，组合后只有不自信的查询才支付第二次检索代价。
该阈值是原文冻结的运行策略，不是按测试集事后调优的 oracle。
时间偏移投票 × 轨道得分： 时间偏移投票负责把每个哈希命中换算成参考时间与查询时间的差值并按哈希稀有度加权，轨道得分负责取最强加权簇作为该轨道的匹配证据，搭配原因是正确命中应在同一偏移处聚簇而偶然命中分散，组合意义是同时给出最可能的轨道与查询在参考中的起始偏移估计。
投票权重与邻近哈希查找共同决定召回与误撞的平衡。
没有训练阶段时，真实计算与冻结内容是什么？
本研究是免训练系统，没有神经网络训练、梯度路径、损失优化与权重更新，也就没有训练集划分、早停或学习率安排。所谓冻结是指表列信号处理与几何参数在开发集上定好后不再改动，查询到达时只做确定性计算与检索，不存在按测试反馈在线更新参数的步骤。
真实计算包括短时傅里叶变换、对数幅度归一化、高斯平滑与背景相减、显著性打分与局部极大选取、速率控制、坐标归一化、Delaunay 剖分与几何过滤、量化哈希、倒排查找与加权投票，以及需要时的两跳扩展与第二轮检索。基线中唯一的 learned 模型是直接调用作者发布的预训练检查点做穷举嵌入检索加时间对齐，本文未对其重训练。不能把免训练理解为输出天然确定，因为倒排内容、量化边界、录音噪声与实现细节仍会影响结果。
也不能从参数冻结推定延迟天然最优，论文明确指出当前实现未针对延迟充分优化，查询时间应理解为给定实现的端到端测量，而非算法内禀速度。
在什么数据、划分与指标下比较，条件是否一致？
评测用一个合成失真集与一个真实重录集。合成集取公开的硬中等难度集合的子集，因方法不建模全局变调变速，只保留速度标注为空或一百、音高标注为空或零的片段，每个保留标注段作为独立查询，覆盖压缩、滤波、噪声、增益、回声及其组合。真实重录集从开放许可的歌曲描述集合中剔除不允许衍生与音频不足的轨道后构造，固定随机种子从每轨取 3 个不重叠片段，播放前做响度归一化与峰值限制，用同步啁啾对齐得到真值偏移，并用谱对齐做一致性检查。
录制用固定型号笔记本扬声器播放、固定型号手机录音，多数在住宅室内、少数在户外。比较对象包括 3 种查询处理模式的自身对照、多组免训练基线与一个神经基线，参考负载按逻辑指纹字节口径统一折算，不含数据库开销、元数据与模型权重。指标方向是轨道首位准确率越高越好，真实集还要求偏移误差在 0.1 秒内才算轨道加偏移正确。开发只用硬小难度划分，参数冻结后再在两个目标集上评测。
下表把两集的规模与查询构造放在一起，便于核对聚合对象与单位，避免把不同集的准确率直接对比。
下表要回答的问题是两集的参考规模与查询数量是否可比，公平条件是都只统计全局音高速度不变的查询或固定时长的重录片段，指标方向是同集内首位准确率越高越好。
| 数据集 | 参考轨数 | 查询总数 | 每轨查询构造 | 失真或录制条件 |
|---|---|---|---|---|
| 合成子集 | 953 | 791 | 保留标注段独立成查询 | 压缩、滤波、噪声、增益、回声及其组合 |
| 真实重录集 | 496，源自 706 | 1488 | 每轨 3 个不重叠 10-s 片段 | 笔记本播放加手机录音，室内为主户外为辅 |
表后需要说明主要取舍与边界。合成子集的优点是失真类型可控可复现，代价是不能代表真实房间与设备链。真实集用固定种子与啁啾对齐保证偏移真值可核对，代价是设备与环境组合单一，只用一款笔记本与一款手机，且户外样本很少。固定种子与播放归一化使构造可重放，但也意味着结论不宜直接推广到任意响度、任意摆位与任意混响。指标上轨道正确只看首名是否为真轨，轨道加偏移正确还要求时间误差足够小，二者是包含关系而非同一指标，不能把数值相同误认为同一能力。
基线配置、负载口径与计时口径如何统一？
自身对照设 3 种查询模式：只用原始三角面的精简模式、始终加两跳指纹的全量模式、先精简再按需扩展的自适应模式，三者共享同一稀疏参考索引。基线把两组参数调到与本文参考负载相近，其中一组共用参考索引但生成更多查询指纹，用于检验单纯增大查询预算能否复现本文增益。闭集评测中无候选输出按错误计，不剔除。
负载按逻辑记录字节折算，参考哈希 posting 与查询哈希记录分别按固定字节计，神经嵌入按高维向量字节计，面板接口不暴露查询指纹数时不计算其查询负载。计时从查询加载到返回排序，在同一硬件上测量，描述的是各实现的端到端表现。下表整理录制与判定环节的原文条件，便于复现时先对齐物理链路与阈值，再谈准确率差异。
下表要回答复现前必须固定的物理与判定条件是什么，公平性体现在播放响度、录音距离、真值容差与自适应阈值都按原文取值，方向是条件越一致越能把差异归因于方法。
| 环节 | 条件 | 原文取值 | 单位与口径 | 作用 |
|---|---|---|---|---|
| 播放归一化 | 响度与峰值 | -20 dBFS，均值，-1 dBFS，峰值 | dBFS，同组写法保留 | 控制播放电平一致 |
| 录音摆位 | 距离与设备 | 1.6 m，手机录音 | m，同句写法保留 | 固定声传播与采集链 |
| 播放电平 | 系统音量 | 40% | 百分比，系统设置 | 避免跨批次响度漂移 |
| 真值容差 | 偏移一致性 | 0.1 s，99.1% | s 与百分比，同句覆盖 | 说明啁啾对齐可信度 |
| 自适应门限 | 匹配数与分差 | 8，0.40 | 个数与分数，同句覆盖 | 决定是否触发扩展 |
表后解释代价与反例。统一字节口径的好处是能区分参考存储随库规模增长与查询临时计算的区别，本文扩展只增加后者。反例是面板类基线因接口不暴露查询指纹数而无法折算查询负载，此时不应强行比较查询效率，只能比较参考负载与端到端时间。计时口径依赖语言、后端与优化程度，论文已提醒不应解读为内禀算法速度，复现时应报告同一机器与同一代码版本的测量，避免把实现优化误读成方法优势。
主结果显示了什么增益，代价在哪里？
论文报告在所选合成子集上 3 种自身模式均高于所评免训练方法，全量扩展优于只用原始面，自适应与全量差距很小，而神经基线在该合成子集上仍保持最高。由于合成集与神经基线的训练来源存在重叠，论文明确指出该子集不是该基线的跨语料测试，真实重录集提供了互补视角。在真实集上只用原始面的模式已高于所有被评基线，自适应与全量取得相同的最高轨道准确率，全量在轨道加偏移上更高。
增大另一地标系统查询预算的对照在真实集上提升但在合成集上下降，而两跳扩展在两集上都比只用原始面更好，在相近查询负载下也比该对照更准确更快，因此单纯加查询量不能复现本文增益。下表不重复绝对准确率矩阵，而是聚焦论文用连续原句给出数字的自适应代价变化，便于在不猜测表格精度的前提下核对可部署收益。
下表要回答自适应相对全量省了多少查询工作、精度损失多大，公平条件是共享同一参考索引、同一首阶段阈值，方向是负载与时间越低越好、精度越高越好。
| 对比 | 查询负载相对变化 | 平均查询时间相对变化 | 轨道精度变化 | 首阶段停止比例 |
|---|---|---|---|---|
| 真实集自适应相对全量 | 降低 63.5% | 降低 55.9% | 保持轨道准确率 | 未报告停止比例 |
| 合成集自适应相对全量 | 未报告负载节省 | 降低 72.3% | 损失 0.13 个百分点 | 超过 90% 查询首阶段停止 |
| 自适应触发条件 | 至少 8 个匹配哈希 | 分差至少 0.40 | 直接返回否则扩展 | 适用于两种数据集 |
表后必须同时讲收益与代价。收益是参考索引不扩大，额外指纹只在查询时临时生成，自适应进一步把多数简单查询提前返回，合成集上超过九成查询止于第一阶段。代价是全量模式的查询负载与时间明显高于精简模式，自适应虽大幅回落但仍高于精简模式。未胜出项是神经基线在合成子集上的最高轨道准确率，以及全量模式在真实集轨道加偏移上对自适应的小幅领先，这些边界说明扩展主要改善召回，自适应主要节省成本，二者不是在所有指标上同时最优。
哪个部件贡献最大，分组规则是否只是预算差异？
消融在真实集上做两组受控替换。第一组把显著性极大换成频谱幅度极大，其余流程不变，结果出现最大幅度下降，支持显著性选择对鲁棒性贡献最大。第二组保持显著性地标与匹配器不变，把 Delaunay 面换成改编自另一系统的目标区三元组，并把参考与查询负载匹配到与精简模式相近，结果在两项指标上都低于精简模式，支持分组规则本身的差异，而不只是指纹预算更多。第三组比较精简与全量，扩展在两项指标上都更好，支持两跳邻域能找回被拆散的有用匹配。
教学上要注意相关性不等于因果，消融显示拿掉某部件后在该集上下降，但不证明该部件在任意失真下必然最重要。原文未报告显著性内部对比项与幅度项系数的逐项敏感性，也未报告几何过滤阈值的扫描曲线，因此复现时应先按冻结参数跑通，再小范围扰动单一参数并固定随机种子观察变化，而不是同时改多个环节。失败条件方面，幅度极大变体在查询负载与时间上都更高，说明弱峰增多不仅降精度，还会推高检索代价。
结论的边界与未验证的推测是什么？
直接报告的是闭集、保音高保速度条件下的首位准确率、偏移容差准确率、逻辑负载与同机端到端时间。有限解释是查询侧几何扩展能在不扩大参考存储的前提下改善鲁棒性，自适应能在保留轨道精度的同时降低平均查询代价。未验证推测包括把该结论推广到变速变调、开集拒绝、超大规模库与任意房间设备链，这些在原文中被明确列为未来工作。数据边界是真实集只用一款笔记本与一款手机、环境以住宅室内为主，户外样本很少。
方法边界是几何与哈希仍假设全局音高速度不变，三角形过滤阈值与量化步长按当前密度调定，换密度或换频带可能需要重调。测量边界是查询时间依赖实现，当前实现未充分优化指纹生成与索引查找。基线边界是神经基线训练语料与合成集来源重叠，合成集上的高分不宜直接解读为跨语料泛化更强。用报告、支持、可能 3 类措辞区分证据强度：论文报告了两集上的相对排序，消融支持 3 个部件各自的作用，跨设备泛化与更大库下的趋势仍是待验证。
复现先做什么，需要哪些代码与数据条件？
资源状态是正文开源声明的唯一依据，本次收到的资源状态显示代码链接当前可用，可按仓库中的说明获取代码、数据集与复现全部实验的指令。复现顺序建议先跑通参考索引构建与精简查询，核对每秒地标密度、三角形过滤与哈希量化是否与原文参数一致，再跑全量扩展与自适应 2 个阶段，核对触发阈值与邻近哈希查找是否生效。
数据方面先用公开合成集的子集筛选逻辑复现查询清单，注意只保留速度与音高标注满足条件的片段，再按固定种子、响度归一化、啁啾对齐与谱检查的链路理解真实集的真值口径。基线方面注意参考负载相近的选择只看参考负载而不看查询结果，查询预算增大的对照共用同一参考索引，神经基线用发布检查点而不重训练。计时复现应在同一硬件与同一软件版本下从查询加载测到返回排序，并单独记录首阶段停止比例。
若仓库版本更新导致参数或接口变化，应以本次解读依据的论文原文证据为准，并在复现记录中注明版本差异。
何时值得尝试这种方法，还需补哪项验证？
当任务是保音高保速度的音乐识别、广播监测或版权追踪，且参考库规模大而查询设备与声学条件多变时，值得尝试显著性地标加 Delaunay 分组的路线，因为它把存储压力留在稀疏参考侧，把适配失真的计算放在查询侧。当查询中简单样本占多数时，自适应扩展更值得打开，因为多数查询可在第一阶段直接返回。当查询包含明显变速变调或需要开集拒绝时，不应直接套用本文结论，需要先补几何不变性与拒绝阈值的设计与评测。
还需补的验证包括更多房间、更多扬声器与手机组合、更长户外部署，以及更大参考库下的倒排增长与尾延迟。若要在生产环境落地，应在统一字节口径下比较参考存储随库规模的变化，在同一机器下比较端到端时间分布而不只看均值，并报告偏移误差分布而不只看 0.1 秒通过率。常见误解是把查询指纹增多误认为参考库变大，实际上本文额外指纹是临时查询负载。
另一个误解是把免训练误认为无需调参，实际上显著性尺度、密度控制、几何过滤与量化步长都是需要在开发集上冻结的关键选择。
📎 论文与评分元数据
排名：前25% | 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-1.3-contributor
评分请求协议：openai_responses