英文题目：LiteCASS: A Lightweight End-to-End Network for Real-Time Stereo Cinematic Audio Source Separation
标签：#音频分离 | #端到端学习 | #多通道 | #实时处理 | #高效推理
评分：6.8/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5
👥 作者与机构
- Yuanxin Guo：机构信息未在 arXiv HTML 中可靠披露
- Qiang Ji：机构信息未在 arXiv HTML 中可靠披露
- Mengmei Liu：机构信息未在 arXiv HTML 中可靠披露
- Yuhan Lv：机构信息未在 arXiv HTML 中可靠披露
- Ningning Pan：机构信息未在 arXiv HTML 中可靠披露
- Gongping Huang：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
电影音频源分离需将双通道立体声混合分解为对白、音乐与音效三路立体声波形，难点在于三类源频谱与时域特性异质性强，且分离时须保留电平差与时间差等空间线索。方法先对混合做短时傅里叶变换并取幅度谱，经无参数子带重排将频率轴折叠进通道维以缩短卷积频率长度而不丢失频谱信息。第一级紧凑子带U型网络以全混合频谱为输入分离对白与预测非语音残差，输出残差谱直接作为第二级的输入。第二级同构子带U型网络继续从残差中分离音乐与音效，预测实值掩码作用于原始复数谱后经逆变换重建三路波形，并以波形域多任务ℓ1损失联合监督。与多分辨率循环和频带分割等重型方案的关键差异在于用确定性频率折叠替代可学习频带划分，并将语音优先的分层归纳偏置写入两级结构，从而降低高分辨率层计算量而保持全频带建模。在DnR v3-stereo评测设置下，LiteCASS-K8的平均SI-SDR为9.50 dB，高于BandIt的平均SI-SDR 9.43 dB。该结论适用边界受限于线性空间化合成语料，对真实影视混音、强混响与动态声像的外推尚未验证。LiteCASS-K8仅用1.06 M参数与每秒0.72 G计算量，在单核中央处理器硬件上以0.014实时率实现推理开销远低于实时阈值，训练成本为在NVIDIA A800上训练200轮，适合嵌入式与移动部署。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
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
电影音频分离要解决什么输入输出问题？
输入是一段立体声电影混音波形，论文记为双声道、长度为时间采样数的矩阵，目标是同时输出 3 段立体声波形：对白、音乐、音效。必须保留的信息有两类，一是每路的内容归属，二是每路的空间感，也就是左右声道之间的相对电平和延迟关系，因为影音交付通常是立体声或更多声道，直接在单声道上做好的方法搬过来会丢掉声像。
对初学者来说，先把电影音频分离理解成带约束的加法逆问题更直观。制作时 3 路干声被分别做声像处理再相加成混合，分离时只看到混合，要把加法拆回去。难点在于 3 类信号性质差异大：对白通常稀疏且频谱结构清晰，音乐乐器和制作风格多变，音效是长尾集合，几乎包含非语音非音乐的一切事件。这种异质性决定了不能只用为语音或音乐设计的轻量分离器直接套用。
论文要填的缺口也很明确。一是已有电影音频分离系统参数多、计算重，依赖图形处理器才能实时，不适合直播、移动端和嵌入式播放；二是已有研究大多在单声道上做，立体声场景很少被系统评估。学习时记住这两个约束，后面看模型为何做成分级、为何做子带折叠、为何只预测实值掩码，就有了判断依据。
已有路线在输入目标和运行条件上有何不同？
按同输入、同目标、同运行阶段对照，已有电影音频分离路线可分成 3 组。第一组是多分辨率循环结构，以 MRX 为代表，用多个短时傅里叶变换分辨率围绕双向长短期记忆网络建模，再为每个声源和每种分辨率设多解码器，它在建模长时依赖上有优势，但循环和多解码器带来参数和计算负担。第二组是频带切分结构，以 Bandit 为代表，采用公共编码器加三解码器的频带切分设计，用残差门控循环单元分别建模时间和频带轴，精度高但同样偏重。第 3 组是音画条件生成，以 AV-CASS 为代表，把分离写成在融合视觉条件下的条件流匹配生成问题，多了一个视觉模态，信息条件与纯音频系统并不一致。
通用波形分离器如 Demucs 及其混合与 Transformer 变体也被广泛使用，它们追求高精度，但大卷积、循环或注意力模块通常需要图形处理器级别的硬件才能实时。另一侧是轻量语音或音乐分离器，论文点名它们只针对语音或音乐设计，没有处理对白、音乐、音效三者异质结构，因此不能直接当作同任务基线来比较胜负。
这样对照后，LiteCASS 的位置就清楚了：它限定为纯音频输入、立体声输出、中央处理器可实时的端到端系统，不引入视觉条件。后面凡是把它和 AV-CASS 比较空间保真度或语音感知质量，都要先提醒信息条件不同，不能只看数字高低就下结论。
从一段混合立体声出发要走完哪些步骤？
先沿一个样本走完全程。举例来说，一段采样率为 48 kHz 的 10 s 立体声混合，左右两路波形已经是对白、音乐、音效各自做声像处理后再相加的结果，且满足加法一致性。模型先对混合做短时傅里叶变换，得到双声道、频率维、时间帧 3 维的复数谱。网络只把幅度谱当输入特征，预测实值掩码，再把掩码乘到对应的复数谱上，最后做逆短时傅里叶变换回到 3 路立体声波形。
这个流程里有两个初学者容易误解的点。第一，掩码是实值，意味着模型不直接重建相位，而是沿用混合的相位，这样做省参数、省计算，但也决定了空间线索主要靠保留原始声道间关系来维持，而不是显式估计声像参数。第二，输出是 3 路都要给，不是只增强对白，所以评价要看 3 路的平均指标，也要看每路的失败模式。
下图把上述输入输出关系画成了最简形式，左侧是相加的混合，中间是分离模块，右侧是 3 路输出，适合在读细节前先建立整体映射，图中箭头方向即信号从混合到各干声的流向。
看图路径： 1. 先看左侧虚线框内三个相加的输入图标，确认混合由哪些成分构成；2. 再看中间 LiteCASS 方框到右侧三个输出分支的箭头走向；3. 对照右侧 speech、music、sfx 三个标签与左侧输入标签是否一一对应
论文图 1。原论文 Figure 1:：“Illustration of the Cinematic Audio Source Separation (CASS) task.”。
图 1 用 3 个具象图标表达了混合的加法构成：人物头像代表对白，钢琴代表音乐，汽车代表音效，左侧加号表示三者在波形域相加，中间方框是 LiteCASS，右侧 3 条分支分别输出对白、音乐、音效。读图时不要把图标当成频谱或波形，图上没有坐标轴和数值，它只回答任务定义，即输入一路立体声混合、输出 3 路立体声干声，真正的信号表示、掩码和重建细节要到方法总览图里再看。
两级 U-Net 如何分工完成三路分离？
LiteCASS 的总体结构是 2 级串联。第一级子带 U-Net 把混合复数谱映射为对白谱估计和非语音谱估计，第二级子带 U-Net 把预测的非语音成分映射为音乐谱估计和音效谱估计。两个网络联合训练，音乐和音效的损失也会塑造上游的对白与非语音分解。这种安排的理由写得很直白：先把稀疏且谱结构清晰的对白拿出来，再在剩余的残差里分音乐和音效，避免一个网络同时稀释在 3 路异质目标上。
下图是全文最重要的方法总览，建议按面板顺序阅读，先走主路径，再看每个子模块的内部结构，特别注意 2 次子带重排分别出现在两个 U-Net 之前的位置。
看图路径： 1. 沿最上方(a) 从左侧立体声波形经 STFT 到两个 Subband U-Net 再到 iSTFT 的主路径走一遍；2. 比较(b) 中 Enc0 到 Dec3 的虚线跳连与下采样箭头，确认编码解码对应关系；3. 对照(c)(d) 中逐点卷积与深度卷积的先后顺序差异；4. 看(f) 中频率轴 F 如何被切成多个高度为(F-1)/K 的子块
论文图 2。原论文 Figure 2:：“Detailed architecture of LiteCASS: (a) Overall framework, (b) Subband U-Net, (c) Blueprint-separable (BP) block, (d) Depthwise-separable (DW) block, (e) Standard block, (f)…”。
图 2(a) 展示了端到端主路径：立体声混合经短时傅里叶变换得到复数谱，取幅度做子带重排后进入第一个子带 U-Net，分别输出对白掩码和非语音掩码，其中非语音分支再做 1 次子带重排并进入第二个子带 U-Net，输出音乐掩码和音效掩码，3 路掩码各自乘到复数谱再做逆变换得到左右声道波形。图 2(b) 展示了子带 U-Net 的编码解码骨干与跳连，图 2(c)(d)(e) 分别给出蓝图可分离块、深度可分离块和标准块内部逐点卷积、深度卷积、批归一化和激活的顺序，图 2(f) 展示了频率轴切分折叠的几何含义。按这个顺序读，就能把输入、表示、组件、目标、输出串成一条线。
子带重排如何把频率轴换成通道？
直接在全分辨率幅度谱上做 2 维卷积很贵，因为频率轴很长。LiteCASS 在卷积之前做确定性子带重排：去掉奈奎斯特频点后，把剩下频点切成 K 个等长连续组，再折进通道维。原文强调该操作不丢谱信息、无可训练参数，只是把高频率分辨率表示换成紧凑的子带通道表示。卷积看到的频率长度变为原来的 K 分之一，而折叠后的通道让网络能联合建模不同子带和立体声通道。在施加掩码前，用逆重排恢复原始频率排布，并补回去掉的奈奎斯特频点。
子带重排 × U-Net： 子带重排负责把大的频率轴切成 K 组并折进通道维，不丢频谱信息也不引入参数，只是把 2 维卷积要处理的频率长度缩短为原来的 K 分之一；U-Net 负责在这个更矮的时频表示上估计掩码，编码器下采样扩大感受野，解码器加跳连恢复细节，二者搭配的理由是让浅而窄的 U-Net 仍能覆盖全频带，同时卷积计算量随频率长度下降而下降。
骨干是一个紧凑编码解码 U-Net。编码器输入 K 乘声道数的子带表示，由 5 个卷积块组成，每个块含两层保持时频分辨率的卷积层，除最深块外每块后接 2×2 平均池化做下采样，特征维度沿编码器递增。解码器用 2×2 转置卷积镜像上采样，并通过对应编码器块的跳连保留高分辨率时频细节，用于掩码估计。默认子带因子取 8，另有一个取 16 的变体，用来验证频率分辨率与计算量的折中。
下面是子带重排的符号写法，先看符号再看计算目标。输入幅度谱的维度是声道数、频率点数、时间帧数，输出是折叠后的子带通道数、缩短后的频率维、时间帧数，其中缩短后的频率维等于去掉一个频点后除以 K。
\[|\mathbf{X}|\in\mathbb{R}^{C\times F\times L}\;\xrightarrow{\;\text{subband}\;}\;\mathbf{Z}\in\mathbb{R}^{KC\times F^{\prime}\times L},\]该式只描述形状变换，不含卷积和非线性，真正的建模能力来自后面的 U-Net。实现上它是确定性形状变换与通道拼接，不是学习到的频带划分，这一点与 Bandit 那种可学习的频带切分有本质区别，复现时不要把它写成注意力或门控选带。
可分离卷积放在哪里才能真省算力？
省算力的关键观察是高分辨率层最贵。LiteCASS 只在编码器和解码器最外两层用可分离卷积，内层特征图更小、计算占比不高，仍保留标准卷积以维持容量。可分离块都把标准卷积拆成 1×1 逐点步骤和深度步骤，从而大幅减少乘加操作，但两者顺序相反。深度可分离先做深度卷积再做逐点卷积，在通道扩张时更高效；蓝图可分离先做逐点卷积再做深度卷积，在通道保持或压缩时更高效。论文因此在通道扩张层用深度可分离，在通道保持或压缩层用蓝图可分离，让每个可分离块都取最小计算代价。
深度可分离卷积 × 蓝图可分离卷积： 深度可分离卷积先做通道内深度卷积再做 1×1 逐点卷积，通道扩张时更省；蓝图可分离卷积先做 1×1 逐点卷积再做深度卷积，通道保持或压缩时更省；LiteCASS 把前者放在通道扩张层、后者放在通道保持或压缩层，搭配原因是让最费算力的两层外层编码解码块各自取最小开销，而不是统一用一种分解方式。
对初学者来说，记住一个操作判断即可：看到某层输入通道明显小于输出通道，就对应深度可分离；看到输入输出通道相当或输出更小，就对应蓝图可分离。两类块内部都带有批归一化和激活，标准块则是 2 次普通卷积加激活与归一。复现时不要把所有层统一换成同一种可分离卷积，否则就丢掉了论文明确验证的混合设计意图。
这种把轻量化只放在主导计算的外层的做法，也解释了为何参数能压到 1.06 M 量级而分离精度没有崩塌：砍掉的是高分辨率层的冗余计算，而不是深层建模能力。具体的参数与运算量数字放到结果部分再与基线对照，这里先建立机制直觉。
损失如何同时管住中间输出和最终输出？
训练目标是波形域多任务 L1 目标。记每路目标波形与模型输出，以及中间非语音输出，损失由四项平均绝对误差组成：对白、音乐、音效三项分离损失，加上中间非语音估计向参考残差即音乐加音效之和靠拢的正则项。第一组管最终 3 路，第二项管中间残差，梯度上音乐音效的误差既直接更新第二级网络，也通过中间监督回传影响第一级的对白与非语音分解。
分级分离 × 多任务波形 L1 损失： 分级分离负责把 3 路问题拆成先分对白与非语音、再在预测的非语音残差里分音乐与音效，让每个 U-Net 只专精一部分；多任务波形 L1 损失负责同时监督最终 3 路波形和中间非语音波形，使音乐音效的误差也能回传塑造上游的语音与非语音分解，二者搭配形成端到端联合训练的闭环。
优化细节按原文交代。训练用 512-frame 片段，200 epochs，批量 64，前 2 轮学习率预热，用 Adam 优化器，峰值学习率退火到更小值，损失权重对白取 0.3、音乐和音效各取 1.0。短时傅里叶变换窗长 42.7 ms、跳长 10.7 ms，离散傅里叶长度 2048，每帧 1025 频点，掩码激活用 Sigmoid。论文没有报告梯度裁剪、权重衰减或早停的具体取值，这些缺项在复现时不要自行脑补，应先按原文给出的值跑通，再做受控消融。
下面是损失的符号写法，先认符号再认求和范围。下标集合只含对白、音乐、音效 3 类，范数是对声道和时间的平均绝对误差，最后一项的参考是音乐与音效参考波形之和。
\[\mathcal{L}=\sum_{i\in\{\mathrm{sp},\mathrm{mu},\mathrm{sx}\}}\|\hat{\mathbf{y}}_{i}-{\mathbf{y}}_{i}\|_{1}+\|\hat{\mathbf{y}}_{\mathrm{ns}}-({\mathbf{y}}_{\mathrm{mu}}+{\mathbf{y}}_{\mathrm{sx}})\|_{1},\]注意该式是原始优化目标，不是近似或带停止梯度的变体，原文未说明对某一路截断梯度，因此实现时默认四项都可导并联合更新 2 级 U-Net。若要验证分级是否有益，需要自己补做冻结第一级或去掉中间监督的对照，论文本身没有给出这类拿掉后的数字，不能替它断言必然怎样。
数据如何从单声道变成可评空间保真的立体声？
实验用 Divide and Remaster v3 即 DnR v3，它提供时间对齐的对白、音乐、音效干声与加法混合。原始是单声道，论文用线性操作对每路单声道干声独立做空间化，再相加成混合，保证加法一致。空间化包括等功率声像、哈斯延迟和中侧展宽，对白放中间附近，音乐用宽立体声模式，音效分布在前方和侧方。所有音频重采样到 48 kHz 并联合峰值归一化避免削波。
下表整理了数据划分与音频格式这些复现前必须对齐的条件，比较问题是不同方法是否在同一空间化混合上训练和测试，公平条件是所有基线都在 DnR v3 立体声扩展上从零训练，指标方向在结果部分再按分离与空间两类分别说明。
| 条件 | 训练集 | 验证集 | 测试集 | 每段时长 | 采样率与归一化 |
|---|---|---|---|---|---|
| DnR v3 立体声扩展 | 6000 clips | 600 clips | 1200 clips | 60 s | 48 kHz 联合峰值归一化 |
表中每段约 60 s，空间化时对白居中、音乐宽立体声、音效前后左右分布，混合由 3 路空间化干声相加得到。复现时若改了声像规则或归一化方式，声道间误差和分离指标都会跟着变，因此必须先固定这份构造脚本，再谈模型改进。论文未公开代码与权重链接，本次也未能确认可达资源，故以下数字只能按原文条件理解，不能声称已公开可直接运行。
基线包括 MRX、BandIt 和 AV-CASS，都在同一立体声数据上按各自原始配置从零训练。LiteCASS 有两个可运行变体，子带因子 8 和 16。评价分 3 类：分离用 SDR、SI-SDR 和 SI-SDR 提升，语音额外看 PESQ 和 STOI，越高越好；空间保真用声道间电平差误差、时间差误差和相干性误差，越低越好；复杂度看参数量、每秒乘加操作和实时率，分离 10 s、48 kHz 立体声为 3 路的耗时在英特尔至强铂金 8358P 中央处理器上测量。
更小的模型在分离指标上赢在哪里输在哪里？
先看训练与表示的超参数是否对齐，再看结果，否则容易把数据差异误当模型差异。下表把原文连续句子中直接报告的表示与训练条件放在一起，适合动手前逐项核对，表中数值与单位的写法保留原文含义，复现时按此配置起步。
| 条件 | 时频表示窗长与跳长 | 变换长度与频点 | 训练片段与轮数 | 批量与通道起点 | 掩码激活 |
|---|---|---|---|---|---|
| LiteCASS 默认配置 | 42.7 ms 与 10.7 ms | 2048 点变换，每帧 1025 频点 | 512-frame 片段，200 epochs | 64 批量，子带通道起步 | Sigmoid |
该表说明模型看到的时间频率分辨率和训练预算，子带因子默认 8，通道配置从子带通道起逐层扩张。动手时先保证短时傅里叶变换参数和片段长度一致，否则子带折叠后的形状和感受野都会错位。训练在英伟达 A800 上完成，推理实时率在特定英特尔中央处理器上测量，两类硬件预算要分开记录。
回到分离主结果。原文报告 LiteCASS-K8 取得平均 SI-SDR 和平均 SI-SDR 提升最高，以及音效单项最好，同时只用 1.06 M 参数。BandIt 在语音重建上占优，AV-CASS 在感知质量上占优，但 LiteCASS 在没有视觉输入的情况下仍保持竞争力。子带因子 8 一致优于 16，说明 K 确实在频率分辨率与计算量之间做折中。
实值掩码 × 声道间线索： 实值掩码只对幅度做加权，复用混合信号的原始相位去做逆短时傅里叶变换；声道间线索指左右声道的电平差、时间差和相干性，保留混合相位的做法分工上避免了显式重建相位或空间参数，搭配理由是以极轻的模型维持可接受的空间保真度，新增作用是省掉复杂空间建模仍能降低声道间误差。
下表只收录原文连续正文中逐字报告过的、可直接复述的 LiteCASS-K8 关键数字，比较问题是在同数据同训练条件下轻量模型能否在平均指标上不输大基线，公平条件是三基线都在同一立体声扩展上从零训练，指标方向是 SI-SDR 与提升越高越好、参数与运算量与实时率越低越好。
| 条件 | 平均 SI-SDR | 平均 SI-SDR 提升 | 参数量 | 每秒运算量 | 中央处理器实时率 |
|---|---|---|---|---|---|
| LiteCASS-K8 在 DnR v3 立体声扩展上 | 9.50 dB | 16.16 dB | 1.06 M | 0.72 G MACs per second | 0.012 |
表后需要同时讲收益与代价。收益是参数约比基线小 28 至 35 倍，中央处理器单核实时率 0.012 远低于实时阈值，而 BandIt 和 AV-CASS 在中央处理器上远未实时，这把 LiteCASS 放在精度效率前沿上。代价是语音感知指标并未夺冠，PESQ 和 STOI 更高的是 AV-CASS 和 BandIt 一侧，说明平均 SI-SDR 最高不等于每路感知质量都最好。未胜出项要明确记下：若目标是纯语音可懂度或感知分，轻量分级结构并不是原文证据中的最优选择。
还需提醒聚合口径。平均是对对白、音乐、音效 3 路取均值，数值相同不代表同一指标，SI-SDR 与 SI-SDR 提升、SDR、PESQ、STOI 不能混比。原文表格与正文在小数重复排版上有粘连显示，但数值含义一致，复述时保留 1 位小数的精度，不要自行四舍五入或换算成百分比。
子带因子与空间保真度说明了什么取舍？
论文没有做拿掉某模块的大规模消融，最接近消融的是 K 等于 8 与 16 的对照。更小的 K 意味着折叠后频率轴更长、保留更多频率分辨率，计算量更大；更大的 K 意味着频率轴更短、更省，但分辨率损失更大。原文报告 K 等于 8 一致优于 16，这支持了频率分辨率对掩码估计仍有价值的判断，也说明省算力不能无限制增大 K。
空间保真度方面，原文报告 LiteCASS-K8 的声道间电平差、时间差、相干性误差都低于两个纯音频基线 MRX 和 BandIt，仅次于利用额外视觉模态的 AV-CASS。论文把原因归为实值掩码作用于原始复数谱，较好保留了主导的声道间线索，且因保留混合相位、不显式重建相位或空间参数，才能在保持轻量的同时维持空间保真。
下表把空间保真的定性对照整理成可核对的形式，比较问题是纯音频轻量模型能否在不建模空间参数的情况下保住声像，公平条件是同一立体声扩展上的平均误差，指标方向是三项误差越低越好，机制归因以原文语句为准。
| 条件 | 与纯音频基线比较 | 与视觉辅助系统比较 | 机制归因 | 轻量代价 | 适用边界 |
|---|---|---|---|---|---|
| LiteCASS-K8 空间误差 | 低于 MRX 和 BandIt | 仅次于 AV-CASS | 复用混合相位，不重建空间参数 | 保持低参数低算力 | 3 路平均趋势 |
表后要补限制。上述支持是有限解释，不是因果证明：误差更低与复用相位同时出现，但论文没有做去掉相位复用或改用复数掩码的对照，因此不能说相位复用必然导致空间更优，只能说结果与该机制一致。另一条边界是空间误差是对 3 路取平均，总体趋势不等于每路每段都成立，实际部署时仍需按对白、音乐、音效分别检查声像偏移。
哪些结论不能从现有证据推广？
第一，数据集边界。DnR v3 立体声扩展是用线性声像操作人工构造的，对白居中、音乐宽、音效分布的规则是作者设定的，不能等同于真实影视混音的声像、混响和母带处理。换到真实片源或更多声道时，分离指标和空间误差都可能变化，原文没有给出这部分验证。
第二，信息条件边界。AV-CASS 多了一个视觉模态，它在语音感知和空间误差上的领先不能直接解读为纯音频建模更强，跨模态比较只能说明在各自信息条件下的位置。若要公平比较纯音频能力，应只看 LiteCASS 与 MRX、BandIt 的对照。
第三，效率边界。训练在英伟达 A800 上完成，推理实时率在特定英特尔中央处理器上测量，0.012 的实时率不等于在手机或嵌入式芯片上的延迟，也不等于输出帧率，更不包含前后处理与音频驱动的开销。谈部署时要把训练资源、推理开销和实际端到端延迟分开讨论。
第四，监督与缺项边界。损失权重、学习率、片段长度都已给出，但梯度裁剪、权重衰减、随机种子、统计显著性检验均未报告，误判率与主观听感也没有测量。因此不能承诺误分更少或听感一定更好，缺失证据应记为待验证，而不是技术错误。
要复现应先固定哪些步骤再调模型？
第一步固定数据构造。按 6000、600、1200 段划分，每段约 60 s，重采样到 48 kHz 并联合峰值归一化，用等功率声像、哈斯延迟、中侧展宽做独立空间化，对白居中、音乐宽、音效分布，再相加保证加法一致。先写脚本校验混合等于 3 路干声之和，再开始训练，否则空间指标无从谈起。
第二步固定表示与训练。用窗长 42.7 ms、跳长 10.7 ms、2048 点变换、每帧 1025 频点，子带因子先取 8，去掉奈奎斯特频点后切分折叠，逆变换时补回。用 512-frame 片段、200 epochs、批量 64、Adam、前 2 轮预热、损失权重 0.3、1.0、1.0 起步，掩码用 Sigmoid。先跑通 LiteCASS-K8，再切到 K 等于 16 验证分辨率与算力的折中。
第三步固定评价。分离看 SDR、SI-SDR、SI-SDR 提升，语音加测 PESQ 和 STOI；空间看声道间电平差、时间差、相干性误差；效率看参数量、每秒乘加操作和中央处理器实时率。注意百分点与相对百分比不同，不同指标差值不要放到模型列下混排，自动指标也不能当成人评。
资源状态需要如实说明。本次没有发现来源绑定且完成安全验证的代码、模型或数据资源，不得声称代码或权重已公开。若按论文从零复现，应把重点放在数据脚本、子带形状变换与逆变换、2 级联合训练的梯度路径上，这三处最容易出错。
何时值得尝试 LiteCASS 何时应选别的路线？
当任务是立体声电影音频的 3 路分离，且运行在中央处理器或资源受限设备、需要实时或近实时输出，同时希望保住基本声像，LiteCASS 是值得先尝试的起点。它的可复述动作很清晰：确定性子带折叠降计算，分级让对白先出、音乐音效再分，实值掩码复用相位保空间，多任务 L1 同时管住中间与最终输出。
当目标是极致语音感知质量，或有可靠视觉可用，或片源声像远比人工线性空间化复杂，就应考虑更大基线或音画系统，并补做真实片源验证。复现后还需补的验证包括：分路统计显著性、主观听感、不同声像规则下的泛化，以及目标硬件上的端到端延迟。
一句话收束：LiteCASS 用 2 级子带 U-Net 把计算花在刀刃上，在原文立体声扩展上以最小体量拿到平均 SI-SDR 领先和可接受的空间保真，但语音感知与视觉辅助上限仍留有差距，选型时按信息条件和部署预算对号入座即可。
📎 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