英文题目：Bearings: Self-Supervised Soundfield Embeddings from First-Order Ambisonics
标签：#联合声音事件检测定位 | #自监督学习 | #空间音频信号 | #预训练 | #多通道
评分：7.2/10 | 创新 1.6/2 | 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 1.1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Goksenin Yuksel：机构信息未在 arXiv HTML 中可靠披露
- Marcel van Gerven：机构信息未在 arXiv HTML 中可靠披露
- Kiki van der Heijden：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
单通道自监督编码器仅能判别存在何种声音事件而无法估计声源方向，联合声音事件检测定位需从一阶Ambisonics同时输出类别与到达方向，而真实混响与多源重叠使空间线索与内容纠缠难以解耦。Bearings先从FOA提取四路对数梅尔谱加三维归一化有源强度向量的7通道时频特征并做管状掩码切分，仅可见块经6层ViT声场编码器得到声场嵌入。接着冻结单通道声学编码器提供内容嵌入，4层解码器经交叉注意力融合两流并在掩码位置重建量化方向分布与50ms和350ms双尺度扩散度，以声学条件迫使编码器只学习空间残差。下游保持声场与声学编码器双冻结，经频率注意力池化与重采样对齐到100ms标签网格后由轻量线性融合头送入双向GRU SELD头输出ACCDOA向量，实现可替换声学主干的外挂复用。与GRAM-Ambisonics等将内容与空间纠缠于同一主干不同，该设计把空间表示解耦为独立流，更换更强单通道模型时无需重复空间预训练。在TAU-NIGENS 2021评测任务下，GRAM-Clean加Bearings融合模型的位置相关F-score分数F20°为50.4，高于单通道声学基线的F20°2.8。结论限于 FOA 输入与短时静态评估协议，对多声源重叠和高混响泛化尚未充分验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
代码相关资源：https://github.com/labhamlet/Bearings — 链接不可用（HTTP 404）
模型相关资源：https://github.com/labhamlet/Bearings — 链接不可用（HTTP 404）
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，目标是什么，读完要能复述什么？
本文的输入是 1 阶 Ambisonics 录音，也就是一个全向通道加 3 个指向通道组成的 4 通道声场信号。目标是从无标注的这类录音中预训练一个只管空间的编码器，输出可复用的声场嵌入。下游使用时，把该声场嵌入与任意冻结的一声道声学编码器的内容嵌入拼接，只训练一个轻量融合头，就能同时做声音事件检测与定位。
读完本解读，你应当能复述 7 通道特征如何构造、掩码重建的两个目标是什么、解码器在何处使用声学条件、下游如何对齐到 100 毫秒标签网格，以及论文在 2 个数据集上报告的关键对照。为避免混淆，下文把单通道内容编码器统称为声学编码器，把本文预训练的编码器称为声场编码器。白话说，前者回答是什么声音，后者回答从哪里来、空间多浑浊。论文强调模块化复用，即声学编码器换更强模型时不用重做空间预训练。
本文当前代码与模型链接在本次核查中返回 404，写作时只能说链接当前不可用，不能视为已公开可下载。
已有路线为何把空间和内容缠在一起？
在通用音频表示学习一侧，ATST、BEATs、Dasheng、SPEAR 等模型从大规模无标注音频中学到了很强的内容表示，但它们只吃单通道，天然看不见方向。另一侧是监督的声音事件定位与检测，典型如 SELDNet，直接从多通道特征映射到检测加波达方向估计，依赖标注且常为特定装置调参。近期也有把预训练搬到空间音频的尝试，对比学习改造的 w2v-SELD、在合成双耳混合上训练的 Spatial-AST，以及把空间音频与文本对齐的 ELSA。与本文最接近的是 GRAM-Ambisonics，它把内容与空间放在同一个主干里联合自监督学习。
论文的判断是，这类做法把空间与声学建模缠在同一个主干里，换声学主干就要重来，也没有单独暴露可复用的空间表示。同时，基于大语言模型的音频推理多依赖单通道编码器，空间接地有限。于是 Bearings 选择拆开两路，用自监督只学空间一路，再以外挂方式补给任何冻结的声学编码器。这不是在挑战赛绝对分数上比拼集成与增强，而是验证冻结复用的转移能力。
要解决的具体问题与可检验的成功标准是什么？
具体问题是，给定无标注的 1 阶 Ambisonics 片段，能否学出一种帧级声场嵌入，使其拼接到冻结的单通道声学嵌入之后，仅训练轻量头就能完成联合检测与定位。举例说明时请注意这只是教学例子：比如某帧同时有狗叫与脚步声，声学嵌入应保留狗叫与脚步两类存在信息，声场嵌入应保留分别来自左侧与后方的方向信息，融合头再输出每类每帧的 ACCDOA 向量。可检验的成功标准在论文中是位置相关的错误率与 F 值、类别相关的定位误差与定位召回。
举例来说，单通道基线能检出有声但指不准方向，位置相关 F 值就会很低；加上声场嵌入后若 F 值大幅上升且角度误差下降，则支持空间信息被补上了。论文还用仿真房的方位仰角回归与混响时间回归做探针，检验嵌入本身是否编码方向与混响，而不依赖特定 SELD 头。
Bearings 全景：一个样本走完全流程
沿一个 5 秒片段走一遍。先取其 4 通道波形，按全向通道响度归一化，算出 4 个对数梅尔谱与 3 个归一化主动声强向量，拼成 7 通道时频表示。切成 16 频带乘 8 帧的小块后遮掉 80%，只把可见块送入 6 层视觉 Transformer 声场编码器，得到块嵌入序列。解码时，把可见块输出与可学习的掩码占位符一起送入 4 层解码器，解码器每层先做自注意力，再交叉注意力读取冻结声学编码器从全向通道对数梅尔谱抽出的内容序列。解码器只在被遮挡块上预测方向分布与两档扩散度。下游时不再做掩码，声场编码器全量输出帧级嵌入，与冻结声学编码器的嵌入对齐拼接，进双向门控循环加自注意力的 SELD 头输出 ACCDOA。
一声道声学嵌入 × 声场嵌入： 一声道声学嵌入负责回答出现了什么声音，由冻结的单通道编码器从全向通道抽取内容信息；声场嵌入负责回答声音从哪里来、空间多混响，由 Bearings 编码器从 7 通道空间特征抽取方向与扩散信息。二者搭配的理由是内容与空间在信号层面可分离，组合意义在于下游只需训练轻量融合头即可同时做检测与定位，而不用重训任一编码器。
预训练总览与下游拼接方式如图 1 所示，读图时先看 A 行的掩码重建闭环，再看 B 行的两路拼接。
看图路径： 1. 先看 A 行从左到右：四通道波形如何变成七通道特征再切块遮挡；2. 再看解码器下方小盒：冻结单通道对数梅尔输入在何处交叉进入；3. 最后看 B 行两路：上方声场嵌入与下方声学嵌入在何处拼接进 SELD 头
论文图 1。原论文 Figure 1:：“Bearings overview. (A) Self-supervised pre-training: a masked ViT encodes seven-channel FOA features (four log-mel spectrograms, three active-intensity vectors), and a decoder…”。
图 1 的 A 行显示从 Ambisonics 录音到 7 通道特征、切块遮挡、编码器、声学条件解码器、再到方向场与双尺度扩散度重建的完整预训练链路；B 行显示下游把预训练好的声场嵌入与任意冻结声学编码器的声学嵌入拼接，经融合层送入 SELD 头输出检测与定位。这种画法把训练时解码器用完即弃、推理只留声场编码器的安排讲清楚了，也说明声学分支始终冻结、只提供条件而不被更新。
七通道特征与编码器：算什么、怎么切块？
特征构造分两步。第一步是对每个通道做短时傅里叶变换，窗长 1024，跳长 10 毫秒，128 个梅尔带，再取对数，得到 4 个对数梅尔谱。第二步是算笛卡尔主动声强，即全向通道共轭与 3 个指向通道的乘积取实部再乘 2，物理含义是时频格点上的能量流向量。总能量是 4 个通道功率之和。把声强与能量分别聚合到梅尔尺度再相除归一，就得到每时每梅尔带的归一化主动声强向量。公式先给出输入符号与计算目标，符号含义是时频点的复谱，目标是能量流方向与相对强度。
\[\mathbf{I}_{a}(t,f)=2\,\mathrm{Re}\!\left[\hat{B}_{00}^{*}(t,f)\cdot\big(\hat{B}_{1,-1},\hat{B}_{10},\hat{B}_{11}\big)^{\top}\right],\]上式中帽子符号表示频域复谱，星号表示共轭，转置向量包含 3 个指向通道，实部操作保留与全向同相的能量流分量。归一化到梅尔带的计算把同一梅尔带内各频点的声强加权求和，再除以加权能量和加小量防止除零。
\[\hat{\mathbf{I}}_{a}(t,b)=\frac{\sum_{f}m_{b}(f)\,\mathbf{I}_{a}(t,f)}{\sum_{f}m_{b}(f)\,E(t,f)+\epsilon}.\]上式中 m 表示梅尔滤波权重，epsilon 防止静音段分母为零。这样得到的 7 通道表示同时保留响度包络与方向线索。编码器用一个无重叠 2 维卷积把每个 16 乘 8 的时频块跨 7 通道 1 次性投影到 384 维，加上固定 2 维正余弦位置编码，送入 6 层标准视觉 Transformer，总参数约 10.9M。输出的块嵌入即下游使用的帧级声场嵌入。
主动声强向量 × 对数梅尔谱： 对数梅尔谱负责给出 4 个 Ambisonics 通道各自的时频能量包络，是内容与响度的基础表示；主动声强向量负责给出全向通道与 3 个指向通道叉乘后的 3 维能量流方向，是定位的直接线索。二者搭配组成 7 通道输入，是因为仅有能量不知道方向，仅有方向在静音段会噪声很大，组合后编码器能同时看到哪里有声、往哪流。
需要提醒的是，静音或强混响段的声强方向本身噪声大，后续损失用能量加权压低这些块的影响，而不是强迫模型猜方向。
解码器条件与重建目标：方向与扩散度如何监督？
解码器是 4 层视觉 Transformer，宽度 256，8 头，约 4.6M 参数。每块先对块嵌入做自注意力，再交叉注意力读取声学序列。该声学序列是把全向通道对数梅尔谱送入冻结的 GRAM-Clean 单声道编码器，再经投影得到，预训练全程冻结不更新。掩码策略是管状遮挡，即同一位置 7 通道一起遮，比例 80%，其中全文轴遮 40%、随机块 20%、右侧未来帧 40%，兼顾补全、插值与预测。重建目标有两个解析推导的空间特征。
方向目标是在 256 点 Fibonacci 球面网格上的类别分布，真值是对局部声强方向做能量加权的 von Mises-Fisher 核密度估计，每个小块内各平滑片贡献一个以其平滑方向为中心的 bump，权重为其平滑声强幅度，集中度取网格数除以 2π。扩散度目标沿用 DirAC 定义，即 1 减去时间平均声强幅度与时间平均能量的比值，在 SN3D 归一化下系数取 1 保证落在 0 到 1 之间，分约 50 毫秒短窗与约 350 毫秒长窗两档。
掩码自编码器 × 声学条件解码： 掩码自编码器负责遮挡大部分时频块并迫使模型从可见块推断被遮挡处的空间场；声学条件解码负责把冻结单通道编码器的内容序列通过交叉注意力送入解码器，提供此处有什么声音的先验。二者搭配是因为若解码器不知道内容，就难以区分是新声源还是混响尾，组合后重建目标可以专注于方向与扩散度，而不是重建音色本身。
方向分布刻画哪里能量强，扩散度刻画空间多散，两路互补的原因是直达声强时混响弱时方向可信，混响强时需用扩散度解释方向模糊。
方向分布 × 扩散度： 方向分布负责描述每个掩码块内能量在 256 个 Fibonacci 网格方向上的加权分布，刻画主导声源指向；扩散度负责描述声场有多散射，定义为 1 减去平均声强幅度与平均能量的比值，分 50 毫秒短窗与 350 毫秒长窗两档。二者搭配是因为指向 alone 在混响中不可靠，组合后模型既要学会直达声方向，也要学会混响程度。
直观理解是，方向损失教模型指向声源，扩散度损失教模型判断房间有多混响，二者相加即总目标，不再另设权重系数。
预训练与下游训练：谁更新、谁冻结、损失怎么写？
预训练数据是 YT-AmbiGen，约 102,000 个 5 秒片段，来自 360 度视频，包含动静态真实声场。每次从每个 5 秒片段随机裁两个 2 秒片段，训练 50,000 步，优化器 AdamW，1 次动量 0.9、2 次 0.98，峰值学习率 2 乘 10 的负 4 次方，权重衰减 0.01，批量 256，10,000 步 warmup 后余弦衰减。只有声场编码器与解码器更新，声学编码器全程冻结，梯度不回传到声学分支。方向损失是能量加权的交叉熵，块权重为该块累积方向能量除以该块能量加批量均值，使静音块自动降权；扩散度损失是两档预测的平均绝对误差。
总损失为两者直接相加。方向真值的构造与加权形式的原文实现如下。
\[q_{p,g}\;\propto\;\sum_{\tau\in p}\lVert\bar{\mathbf{I}}_{\tau}\rVert\,\exp\!\big(\kappa\,(g^{\top}u_{\tau}-1)\big),\qquad\kappa=G/2\pi.\]上式中 tau 表示块内平滑片，u 为归一化方向，g 为网格方向，kappa 控制 bump 尖锐程度。扩散度的定义如下。
\[\Psi^{(s)}(t,b)=1-\frac{\big\lVert\langle\mathbf{I}^{\mathrm{mel}}_{a}\rangle_{\tau_{s}}\big\rVert}{c\,\langle E^{\mathrm{mel}}\rangle_{\tau_{s}}+\epsilon},\]上式中尖括号表示对应窗长的时间平均，c 在 SN3D 下取 1。下游训练遵循各数据集官方基线协议，只训练融合层与 SELD 头，可训练参数在与 SPEAR 或 Dasheng 搭配时约 1.3M，与 GRAM-Ambisonics 对比配置下约 1.9M，优化器 Adam、学习率 0.001、均方误差损失。需要对齐时，有频率轴的序列先用可学习的频率注意力池化掉频率，再按 100 毫秒标签网格平均池化对齐时间，分别线性投影到 256 维后拼接过线性融合层。论文未报告预训练所用具体硬件与耗时，这是复现预算上的缺项。
在什么数据与指标上测，与谁比才公平？
下游在两类互补场景测。TAU-NIGENS 2021 是用实测房间脉冲响应合成的场景，STARSS23 是 Ambisonics 话筒阵列实录加合成，STARSS23 采用挑战赛基线的合成加真实混合。声学侧配 3 个结构不同的冻结主干，都只吃全向通道：GRAM-Clean 是时频块标记，Dasheng-Base 是仅时间标记，SPEAR 是波形输入。比较对象包括全监督的 SELDNet 基线、在 7 通道上自监督预训练的 GRAM-Ambisonics，以及只用单通道声学嵌入直送 SELD 头的消融。论文明确说明不与挑战赛冠军系统比，因为后者用了集成、大增强、外部合成数据与端到端专用结构，条件不一致。
指标是 20 度阈值的位置相关错误率与 F 值，越低越好与越高越好，以及类别相关的定位误差角度与定位召回，前者越低越好、后者越高越好。无检测的类别定位误差记 180 度。主表给出测试集上的刀切法 95% 置信区间。探针实验在 Matterport3D 房子里渲染单声源场景，已知方位仰角与混响时间，用均值池化的片段级声场嵌入加 k 近邻回归读出，在留出房子上测中位角度误差与混响时间的皮尔逊相关。
ACCDOA × 位置相关 F 值： ACCDOA 负责把每帧每类的检测与 3 维方向统一成一个向量输出，向量长度表示有无事件、方向表示来波方向，是融合头的训练目标格式；位置相关 F 值负责只在预测方向与真值夹角小于 20 度时才算检测正确，是评价是否同时做对分类与定位的指标。二者搭配是因为传统检测指标不罚方向错，组合后能检验声场嵌入是否真正补上了空间信息。
理解这组搭配后就能明白，单通道基线定位召回不为零是因为检测分支仍能猜类别存在，但位置相关 F 值必然塌，因为方向错了就不计正确。
加上声场嵌入后，定位从不可用到什么水平？
要回答的核心比较问题是，在冻结声学编码器与冻结声场编码器、只训练轻量头的公平条件下，加上声场嵌入是否把不可定位变成可联合检测定位，以及与监督基线和联合预训练模型相比的位置。指标方向是错误率与定位误差越低越好，F 值与召回越高越好。下表整理论文正文直接报告的跨数据集提升与关键对照，数值写法保留原文。
| 条件 | 指标 | 基线 | 本方法 | 比较对象 |
|---|---|---|---|---|
| STARSS23, GRAM-Clean 搭配 | 位置相关错误率 | 0.56 | 0.51 | GRAM-Ambisonics vs Bearings 融合 |
| STARSS23, GRAM-Clean 搭配 | 定位召回 | 58.8 | 55.5 | GRAM-Ambisonics vs Bearings 融合 |
| STARSS23, GRAM-Clean 搭配 | 定位误差 | 22.0 度 tie | 22.0 度 tie | SELDNet vs Bearings 融合 |
| 跨数据集总体 | 位置相关 F 值 | below 4 | 50 与 39 | 单通道 vs 融合，TAU 与 STARSS |
| 跨三主干总体 | 位置相关 F 值 | below 4 | 41-50 与 34-39 | 单通道 vs 融合，TAU 与 STARSS |
表后需要结合代价一起读。论文报告单通道声学编码器保留检测能力但基本不定位，位置相关 F 值不超过 3.2，角度误差很大；拼接后 3 个主干在 2 数据集上都大幅提升。与 GRAM-Clean 搭配时，在 TAU 上超越联合训练的 GRAM-Ambisonics 的每一项，在 STARSS 上错误率更优而 F 值与定位误差的置信区间包含对方值、召回更低。
与监督 SELDNet 比，在 TAU 上 3 个搭配都超越每一项，在 STARSS 上 GRAM-Clean 搭配除定位误差打平 22.0 度外其余超越。未胜出项必须点名：在 STARSS 上 Bearings 融合的定位召回 55.5 低于 GRAM-Ambisonics 的 58.8，这是用模块化复用换来的具体代价之一，不能只讲 F 值提升。
三个声学主干是否都受益，还是只对特定结构有效？
要检验的第二个问题是复用是否依赖特定声学结构。比较条件是声场编码器同一份冻结权重，分别拼 GRAM-Clean、Dasheng-Base、SPEAR-Base，且三者都只看全向通道。指标方向同上。下表用论文正文给出的区间描述整理跨主干的一致性，重点看单通道塌陷与融合后恢复。
| 条件 | 指标 | 单通道范围 | 融合后范围 | 说明 |
|---|---|---|---|---|
| TAU, 三主干 | 位置相关 F 值 | below 4, 不超过 3.2 | 41-50 | 均从不可定位恢复 |
| STARSS, 三主干 | 位置相关 F 值 | below 4, 不超过 3.2 | 34-39 | 均从不可定位恢复 |
| TAU, 单通道检测 | 定位召回 | 35-43 | 融合后提升 | 有检测无定位 |
表后解释是，Dasheng 与 SPEAR 遵循同样模式但幅度略小，Dasheng 在 TAU 上距 GRAM-Clean 搭配约 2.7 个 F 值点。这支持声场嵌入学到的是与声学结构无关的空间信息，而不是只适配 GRAM 系的时频标记。限制是论文只测了这 3 个冻结主干，未验证更大语言模型侧的声学编码器或双耳输入，跨结构泛化仍是待验证。
同时，融合头的时频池化与 100 毫秒对齐是为这三者手工做的，换新主干可能要重调对齐，不能视为零成本即插。
标签变少、目标拿掉、随机初始化会发生什么？
消融要回答 3 个反证问题。第一，标签效率：在 TAU 上只用 25%、50%、100% 训练数据时，预训练声场嵌入是否仍优于域内学的小卷积前端。指标方向是错误率越低越好、F 值越高越好。下表只用论文连续原句中出现的数字。
| 条件 | 指标 | 域内学习前端 | Bearings | 相对改善 |
|---|---|---|---|---|
| TAU 25% 数据 | 位置相关错误率 | 0.74 | 0.67 | 9.5% |
| TAU 25% 数据 | 位置相关 F 值 | 21.7 | 30.6 | 41.0% |
表后解释是，25% 数据下仍有约 9.5% 的错误率相对改善与 41.0% 的 F 值相对改善，且 50% 与 100% 下定位精度与召回优势保持，支持空间预训练降低标注需求。
但要注意这是相对百分比，不是百分点，不能与绝对 F 值点混读。第二，目标与条件的作用：随机初始化冻结编码器在每项上都明显更差，说明融合头读出的是预训练学到的结构；去掉声学条件则各项一致变差；去掉扩散度损失 F 值从 48.3 降到 50.4 的增益消失，属于小幅贡献；去掉方向损失则定位崩到 49.2 度，而混响相关反而微升到 0.55，提示两目标存在权衡。
第三，预训练与微调：预训练冻结比从零端到端训练 F 值从 35.7 升到 50.4、定位误差从 23.7 度降到 19.3 度；继续微调声场编码器仅小幅升到 51.2 与 18.1 度，但召回从 66.8 微降到 65.5。手工空间特征在召回上接近，但在其余指标落后，且在探针上方向误差 23.5 度、混响相关 0.36，均不如完整模型的 16.1 度与 0.53。这组反证说明方向损失是定位的关键，预训练是主要收益来源，微调不是必需。
预训练增益是否来自空间预训练本身而非融合头参数量是需要单独检验的公平比较问题。为此固定声学编码器冻结，仅改变声场编码器的初始化与下游是否训练，对比从零端到端学习与冻结复用策略。
| 编码器设置 | 位置相关 F 值 | 定位误差 | 定位召回 |
|---|---|---|---|
| 从零端到端训练 | 35.7 | 23.7 | 63.6 |
| 预训练冻结 | 50.4 | 19.3 | 66.8 |
| 预训练微调 | 51.2 | 18.1 | 65.5 |
表后解释是，预训练冻结相对从零训练带来大幅定位与检测增益，而继续微调仅在 F 值与定位误差上小幅再提升且召回从 66.8 微降到 65.5，说明主要收益来自空间预训练学到的结构，冻结复用已经足够，微调不是必需且需要权衡召回边界。
哪些结论有边界，哪些量根本没测？
先说论文直接报告的边界。在 STARSS23 上，与 GRAM-Ambisonics 比只有错误率明确更优，F 值与定位误差的置信区间包含对方，召回反而更低，因此不能说全面超越，只能说持平偏优且模块化可复用。在 TAU 上超越 GRAM-Ambisonics 的结论限于固定轻量头与冻结编码器协议，不代表绝对 SELD 最优。方向与扩散度的权衡是有限解释，去掉方向损失后混响相关微升支持两者竞争，但论文未做更细的权重扫描，因果机制仍是可能而非定论。再说未测的量。
论文未测量推理延迟、每秒输出帧率、内存占用与误判率随阈值的曲线，也未报告预训练硬件预算，因此不能承诺加一路声场编码器后延迟或成本改善。仿真探针只做单声源，已知方位与混响时间，多声源重叠与动态声源的读出能力未评测。数据集侧，预训练来自 360 度视频的真实片段，虽自然但分布未知，换到强噪声或不同话筒阵列时的鲁棒性待验证。最后，资源状态是结论可用的前提，当前代码与模型链接不可达，复现前必须先确认可达性，不能默认权重可下载。
要复现，先准备什么、按什么顺序跑？
复现先做三件准备。第一，确认数据：下载 YT-AmbiGen 约 10.2 万片段或自备同格式 1 阶 Ambisonics，检查是否为全向加三指向 4 通道，并按全向响度归一化。第二，确认声学分支：准备冻结的单通道编码器，论文预训练用 GRAM-Clean 的单声道编码器，下游还测了 Dasheng-Base 与 SPEAR-Base，全程冻结不更新。第三，确认特征参数：短时傅里叶窗 1024、跳长 10 毫秒、128 梅尔带，块尺寸 16 频带乘 8 帧，掩码 80% 且按全文轴 40%、随机 20%、未来帧 40% 分配。训练顺序是先跑声场掩码预训练，2 秒随机裁剪、50,000 步、AdamW 上述超参，解码器重建 256 网格方向分布与 50 毫秒加 350 毫秒扩散度。
再冻结声场编码器，按 100 毫秒网格对齐两路嵌入，投影到 256 维拼接，训练融合层与双向门控循环加自注意力 SELD 头，损失用均方误差、Adam 学习率 0.001。评估时同时算 20 度位置相关错误率与 F 值、类别定位误差与召回，并给出刀切法置信区间；若做探针，在 Matterport3D 渲染单源场景，均值池化后用 k 近邻回归读方位与混响时间。常见误解是把单通道检测有召回当成会定位，实际上位置相关 F 值塌才是空间盲的证据。
另一个误解是把微调小幅提升当成必须微调，论文显示冻结已拿到主要收益，微调只加 0.8 个 F 值点却掉召回。
何时值得尝试 Bearings 一路，还差哪项验证？
当你已有较强的冻结单通道音频编码器，又拿到无标注的 1 阶 Ambisonics 数据，且下游需要联合检测与定位时，值得尝试这种拆路方案。它的价值在于空间预训练 1 次、声学主干可换，下游只训百万量级融合头，在标注只有 25% 时仍保持相对优势。操作上优先复现 7 通道特征与能量加权方向损失，因为消融显示方向目标是定位的关键，随机初始化或拿掉该损失都会让角度误差回到 30 度以上。
还需补的验证包括多声源重叠下的定位召回、真实阵列 mismatch 下的稳定性、以及接到空间音频大语言模型后是否真正提升空间推理，而不只是 SELD 分数。论文未来工作也指向扩训练语料与接入空间音频大语言模型。若你的场景只有单通道录音或只关心分类标签，这一路不会带来可验证收益，不必引入。选用前请先核对代码与权重可达性与具体超参，因为本文的复用承诺依赖冻结接口与对齐方式保持一致。
📎 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-1.3-contributor
评分请求协议：openai_responses