标签：#声场重建 | #注意力机制 | #空间音频信号 | #Conformer
评分：7.1/10 | 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 0/1.5 | 可复现 0.5/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Xingyu Chen：机构信息未在 arXiv HTML 中可靠披露
- Hanwen Bi：机构信息未在 arXiv HTML 中可靠披露
- Sipei Zhao：机构信息未在 arXiv HTML 中可靠披露
- Fei Ma：机构信息未在 arXiv HTML 中可靠披露
- Eva Cheng：机构信息未在 arXiv HTML 中可靠披露
- Ian S. Burnett：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
个性化头相关传输函数Head-Related Transfer Function/HRTF上采样需从数量与位置均可变的稀疏测量恢复稠密双耳对数幅度谱，难点在于空间稀疏性、方向配置漂移与高频谱细节重建相互耦合。所提几何感知注意力Geometry-Aware Attention/GeoAtt先对每频点独立构建上下文方向编码与左右耳及耳间差频谱的联合特征，再以目标方向为查询做多头交叉注意力加权聚合得到查询条件化频谱序列。随后将该序列沿频率轴叠加可学习位置编码，并经堆叠Conformer编码器联合建模局部卷积谱结构与长程频间依赖，最终经共享线性映射输出双耳对数幅度预测。与固定配置模型及变上下文基线相比，关键差异在于将目标与测量方向的相对位移、角度相似与测地距离显式编码为注意力加性偏置，而非隐式位置拼接，从而实现单模型跨配置共享。在SONICOM数据集20个测试听众的评测设置下，GeoAtt的LSD指标为3.07 dB，低于IOA3D的LSD指标3.21 dB。该结论仅在远场幅度建模与同一数据集划分内成立，对半球与水平环等受限覆盖会出现明显退化。原文未披露训练、推理或部署成本。
🔗 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
为什么稠密个性化 HRTF 难测，上采样要解决什么？
头相关传输函数描述声音从某个空间方向到达左右耳时，被头、躯干和耳廓过滤后的方向相关特性，是双耳空间音频渲染的基础。想要个性化强的沉浸感，理想情况是为每个听者稠密测量几百个方向的响应，但逐人逐方向摆扬声器或转台测量耗时耗力，标定和佩戴一致性也难保证。于是上采样任务被提出：只测稀疏的几个方向，再估计其余未测方向的响应。
论文只研究远场幅度上采样，把声源距离略去，将每个方向的双耳响应表示为左右耳对数幅度谱，耳间时间差另行估计，最小相位可由幅度重建。初学者可以这样理解输入输出：输入是某个听者已测的少量方向加谱，输出是任意查询方向的左右耳谱。评价时只看未包含在输入集合中的方向，避免用已见方向充数。指标用对数谱失真衡量幅度误差，用耳间级差误差衡量双耳差异误差，两者都以分贝为单位，越小越好。
学习型方法的额外信息是多听者数据集带来的人群先验，不只靠单个听者的邻近插值。
本解读的输入是论文标题给定的上采样工作，目标是让研究生能核对条件并复述方法。必须保留的信息包括任务定义、模型 2 阶段结构、几何偏置计算、训练采样策略、数据集划分与评估条件。输出是 1 篇按学习依赖展开的技术解读，不做超出原文的营销判断。后续先讲相关路线与问题形式化，再走完一个样本的计算路径，然后讲训练、实验条件、结果与消融，最后讨论复现与局限。
已有路线在什么条件下有效，什么条件下被卡住？
在只有目标听者自身测量可用时，经典做法是利用已测方向之间的空间关系。距离加权插值从邻近测量估计未测方向，球谐函数等基函数方法通过空间展开恢复方向变化，它们的性能直接取决于已有测量提供的空间信息量。当测量极稀疏或覆盖受限时，邻居本身就少或偏向一侧，插值误差必然增大。学习型方法引入多听者数据的群体规律作为先验，代表性做法包括方向条件自编码器、基于坐标的神经场，以及卷积、生成和变换器架构。它们在固定布局上可以学到很强的空间映射，但许多模型把输入点数或位置嵌进网络结构，换一个布局就要重新训练。
近期开始松动这一限制，文中点名的可变上下文基线是结构化卷积条件神经过程，它能接受变长上下文集合，证明了超越预定义布局的可行性。论文把可变上下文明确定义为可用测量在数量和空间布局上都可变，起因包括采集约束、缺失测量或自适应采样。教学例子：假设实验室只来得及测 3 个点，另 1 天能测 19 个点，传统固定模型需要两套权重，而可变上下文希望用同一个检查点处理这两种输入。这不是说任意布局性能相同，而是要求模型结构上不绑定布局。
与该基线相比，本文的差异在于显式分离空间聚合与频率建模，并在交叉注意力中加入目标与测量之间的相对几何，而不是把空间和频率混在一起学习。
输入集合与查询方向如何形式化，评估时排除什么？
论文把第 i 个声源方向记为单位球面上的向量，远场下省略距离。每个双耳响应记为两行频点列的对数幅度矩阵，行对应左耳与右耳，列对应频率。对每个听者，可用测量构成上下文集合，集合中每个元素是方向与谱的配对，集合大小与方向位置都可随布局变化。给定该集合和一个目标方向，目标是预测该方向的双耳对数幅度谱。这是一个集合到单点预测的问题，集合无序且变长，查询方向任意。
可变上下文 HRTF 上采样 × 固定测量布局： 可变上下文 HRTF 上采样指输入测量在数量 M 和方向集合上都可变，模型必须接受无序变长集合；固定测量布局指输入点数和位置被写进网络映射，只能为每种布局单独训练。GeoAtt 用可变上下文设定兼容固定布局作为特例，搭配理由是实际采集常出现缺测或自适应采样，组合意义是只保留一个检查点即可覆盖多种采集条件。
为理解可变布局的难度，可以对照图 1 的示意。该图左侧并列了 3 种不同稀疏程度和分布的输入球面，右侧是稠密预测球面，中间只经过同一个已训练模型。这种画法的教学价值在于把评估条件说清楚：左边换布局，中间不换权重，右边看稠密方向是否都能给出合理谱。
看图路径： 1. 先看左侧三种输入布局的球面测点分布差异；2. 再看中间单个模型方框上的文字标注；3. 最后看右侧稠密预测球面上目标方向点的覆盖范围
论文图 1。原论文 Figure 1:：“Illustration of variable-context HRTF upsampling across varying measurement configurations.”。
图 1 左侧用不同颜色标出 3 种输入布局的测点，中间标注单个模型与单个检查点，右侧展示稠密目标方向的分布，图例区分听者与目标方向。该图支持的判断是任务要求布局无关推理，不支持对具体误差大小的判断，误差必须回到表格与正文数字。评估时所有指标只在未包含于上下文集合的方向上计算，这是防止泄漏的关键条件，复述方法时必须保留。
GeoAtt 的两阶段流水线如何分工？
GeoAtt 把上采样分解为查询条件空间聚合与频率域建模。第一阶段对每个目标方向，在每个频点独立地对可用测量做加权聚合，得到按查询条件组织好的频率特征序列。第二阶段把该序列沿频率轴送入 Conformer 编码器，建模谱的局部与长程结构，最后经共享线性层映射到左右耳对数幅度。这样做的安排理由在正文中写得很直接：空间聚合处理方向可变性，频率建模处理谱连续性，前者输出保留频率轴，后者沿频率轴加工。
查询条件空间聚合 × 频率域建模： 查询条件空间聚合负责对每个目标方向 q 在每个频点独立加权已有测量，解决空间从哪里借信息；频率域建模负责把聚合后沿频率排好的序列做谱结构修正，解决借来的信息在频率上是否连续合理。二者搭配的原因是空间关系随方向变化而频率结构相对稳定，组合后先按方向取材再按频率整理，避免把空间插值和谱建模耦合在同一映射里。
沿一个样本走完全程有助于建立直觉。假设某听者只测了 19 个方向，查询正右侧方向。模型先把 19 个方向与谱分别编码成键值，把查询方向编码成查询向量，逐频点算出 19 个权重并加权求和，得到每个频点的聚合向量；再把全部频点的向量堆成序列，加入频率位置编码后送入 Conformer，最后输出该查询方向的左右耳谱。对另一个查询方向重复同样过程，权重会因相对几何变化而不同。图 2 把这 1 流程画成左右两大块，左侧是空间聚合，右侧是频率建模，中间以聚合序列衔接。
阅读该架构图时应先沿输入到输出的主箭头看，再比较内容分支与几何分支在何处汇合，最后确认输出形状是否回到双耳频谱。
看图路径： 1. 先沿左侧测量谱与方向编码到中间注意力再到右侧频率建模的主箭头走一遍；2. 再对比上方内容分支与下方几何分支在注意力分数处的汇合位置；3. 最后确认右侧 Conformer 输出经线性层回到左右耳频谱的形状
论文图 2。原论文 Figure 2:：“Overview of the proposed variable-context HRTF upsampling architecture.”。
图 2 左侧展示了多测量谱按频点切片、方向正弦编码、谱与方向特征相加形成上下文特征的过程，中部几何感知注意力把查询、键值与相对几何偏置汇合后做加权求和，右侧把聚合序列加位置嵌入后送入堆叠 Conformer 再线性映射到左右耳。该图对应的真实计算是逐频点注意力加逐序列频率建模，不代表时间或训练流程，图中的方块数量不对应真实频点数与头数。
空间聚合的编码、查询与几何偏置如何计算？
空间聚合的输入是上下文集合与目标方向。方向编码采用多尺度正弦编码，把原始 3 维方向向量与其不同频率的正弦余弦拼接，目的是让网络能分辨球面上的细微角度变化。谱特征在每个频点由左耳幅度、右耳幅度及其差值拼接成 3 维向量，显式保留双耳差异。两类特征分别经多层感知机投影到相同维度后相加，形成每个测量在每个频点的上下文特征，再投影为注意力键与值。目标方向同样经正弦编码与另一多层感知机得到查询表示。上述投影在测量之间共享，保证置换不变性，即打乱输入顺序不改变输出。
相对几何是本文区别于标准交叉注意力的关键。论文定义目标与每个测量方向之间的三部分几何：头中心相对笛卡尔位移、内积表示的角度相似度、反余弦表示的测地距离，再经多层感知机映射为加性注意力偏置。注意力权重是查询与键 scaled 点积除以根号注意力维度，再加几何偏置后对测量维度做归一化。聚合输出是值向量的加权和，逐频点独立进行并扩展到多头注意力。频率堆叠时把各频点聚合向量按顺序排成矩阵，再加可学习频率位置编码后送入 Conformer。Conformer 块内多头自注意建模跨频点长程依赖，深度 1 维卷积捕捉局部谱结构，前馈与残差重复多个块。
几何感知交叉注意力 × 相对几何偏置： 几何感知交叉注意力以目标方向为查询、以已有测量为键值计算逐频点权重；相对几何偏置是由目标与测量方向的相对位移、内积和测地距离经 MLP 得到的加性修正项。搭配理由是内容相似度不足以表达球面远近，加入显式几何可直接偏向邻近测量，组合意义是在注意力分数上同时保留声学内容相关和空间邻近性。
符号与计算目标需要逐条对应。相对几何向量以目标减测量、内积与测地距离为输入，输出是标量或每头偏置；注意力公式的分子是查询与键的匹配度，分母是维度缩放，加项是几何偏置，归一化后得到每个测量在该频点的贡献比例；聚合公式是该比例对值向量的加权求和；堆叠公式是把频点向量排成序列矩阵。原文明确的实现包括多头扩展、逐频点独立聚合、频率轴保留，原文未给出梯度截断或特殊近似，因此按常规端到端可微路径理解，不猜测额外停止梯度。
\[\mathbf{r}_{q,i}=\left[\mathbf{q}-\mathbf{d}_{i},\;\mathbf{q}^{\top}\mathbf{d}_{i},\;\arccos(\mathbf{q}^{\top}\mathbf{d}_{i})\right],\]\[\alpha_{q,i,f}=\operatorname{softmax}_{i}\left(\frac{(W_{Q}\mathbf{z}_{q})^{\top}(W_{K}\mathbf{c}_{i,f})}{\sqrt{d_{a}}}+g_{r}(\mathbf{r}_{q,i})\right),\]\[\mathbf{t}_{q,f}=\sum_{i=1}^{M}\alpha_{q,i,f}W_{V}\mathbf{c}_{i,f}\in\mathbb{R}^{C},\]\[\mathbf{T}_{q}=[\mathbf{t}_{q,1},\ldots,\mathbf{t}_{q,F}]^{\top}\in\mathbb{R}^{F\times C}.\]上述四式分别对应相对几何构造、几何感知注意力权重、加权聚合与频率堆叠。复述时应先说输入符号来自方向与谱，再说计算目标是查询方向在该频点的聚合特征，最后说实现上多头与共享投影如何保证变长无序输入可用。
Conformer 块 × 频率位置编码： 频率位置编码是可学习的沿频率轴的绝对位置向量，用于区分有序频点；Conformer 块是在频率轴上交替做多头自注意长程依赖和深度可分离 1 维卷积局部结构建模的堆叠模块。搭配原因是自注意本身不知频率顺序，加入位置编码后才能让长程与局部操作各司其职，组合意义是同时保留共振峰全局关联和谐振陷波局部细节。
监督信号、采样策略与优化设置是什么？
训练是监督式的，目标是预测谱与真值谱在查询方向上接近。损失由两项相加：对数谱失真损失对每个查询方向、左右耳计算频率均方误差再开方后平均，谱梯度损失对相邻频点差分之差取绝对误差后平均。前者管整体幅度，后者约束局部谱变化，防止高频陷波被抹平。论文给出两项的求和公式，总目标是两者直接相加，无额外加权系数报告。
对数谱失真 × 谱梯度损失： 对数谱失真衡量预测与真值对数幅度在频率上的均方误差开方，管整体幅度是否接近；谱梯度损失衡量相邻频点差分之差的绝对误差，管局部起伏和陷波是否被抹平。搭配原因是只约束幅度容易得到过平滑谱，组合后训练目标同时要求数值接近和形状变化一致。
训练的采样策略是实现可变上下文的关键。每个样本构造一个上下文集合与一组查询方向。以一半概率从 4 个典型听觉个性化挑战布局中均匀选其一，点数取自 3、5、19、100；以另一半概率从 3 到 100 均匀采样点数，再无放回随机选方向。每个上下文配 64 个从剩余方向采样的查询方向。
这种混合暴露让模型在训练中同时见过规范布局与随机布局。优化采用 AdamW，学习率与权重衰减在原文有明确数值，批量与轮数经验证集选定后，全量训练固定轮数。评估只用未见方向，指标方向是越小越好。
\[\mathcal{L}_{\mathrm{LSD}}=\frac{1}{2Q}\sum_{j=1}^{Q}\sum_{e=1}^{2}\sqrt{\frac{1}{F}\sum_{f=1}^{F}\left(\widehat{H}_{j,e,f}-H_{j,e,f}\right)^{2}},\]该式是对数谱失真损失，符号中帽子表示预测、无帽表示真值，下标区分查询、左右耳与频点，根号内是频率平均。实现上对查询与双耳平均，未报告对听者维度的额外加权。原文未说明参数冻结、梯度重置时机之外的细节，不从模型名称推定，一律按端到端监督训练复述，缺项在局限节集中说明。
数据、划分、基线与实现条件是否一致？
实验在 SONICOM 数据集上进行，该数据集包含多听者多方向 HRTF。保留的对数幅度谱覆盖低频到高频的连续区间，每个耳朵的频点数固定。前部分听者用于训练与模型选择，剩余听者留作测试，先用训练验证划分选配置与轮数，再在全部训练听者上从头训练固定轮数并锁定模型用于后续所有评估。训练在英伟达 L4 上进行。方向编码尺度、丢弃率、Conformer 块数、特征维度、前馈维度、头数与卷积核大小均有明确报告，复现时应原样保留。
比较对象包括两类。固定布局基线是挑战赛排名前列的两种方法，为不同测量布局分别训练模型；可变上下文基线是结构化卷积条件神经过程，用与本文相同的上下文采样策略重新训练。所有方法使用相同数据划分、预处理、频率范围与评估方向，这是公平比较的前提。评估指标为对数谱失真与耳间级差误差，均以分贝报告，均值与标准差在测试听者上计算。需要强调的是，可变上下文方法用单个模型跨所有点数，而固定方法为每个布局单独训练，比较时不能把单模型灵活性直接等同于每布局最优，原文也分别报告了这两层含义。
下表把原文连续句子中实际出现的划分、采样与模型配置数字整理成可核对清单，表头单位按原文交代，裸数值不擅自添加百分号或新单位，千分位与小数精度保留原文写法对应的数值含义。
| 项目 | 听者与方向规模 | 频率与划分 | 采样与查询设置 | 网络与优化规模 |
|---|---|---|---|---|
| 训练采样 | 4 种典型布局 | 点数取自 3，5，19，100 | 0.5 概率选典型布局，否则 3 至 100 随机，64 查询 | 4 块 Conformer，128 维，256 前馈，8 头，核 7 |
上表覆盖了数据集规模、频率范围、划分、采样概率与网络规模，支持的判断是复现时的数据与训练条件可按此核对，限制是表内未包含学习率与轮数的完整优化细节，需回到正文连续句子核对。未胜出项与边界在结果节结合误差趋势说明，训练资源仅报告显卡型号，未报告 wall-clock 时间与推理延迟，不能承诺效率改善。
单个模型在典型布局与新布局上测了什么？
主结果回答两个问题：在 4 个典型挑战布局上单个模型能否匹敌甚至超过为每布局单独训练的模型；在训练未显式包含的结构化布局上能否泛化。条件一致性已在上一节交代，指标方向是失真与级差误差越小越好。原文报告在 4 个典型布局上该方法取得最低平均对数谱失真，相比最强固定基线在稀疏端增益更大，在 3 组布局上耳间级差误差最低、在一组上持平。与同为单模型的可变上下文基线相比，最大可降低约 1.38 分贝，稀疏测量下增益最大。代表性例子显示在高频陷波附近更接近目标谱，但单一样本不能推广为整体结论。
下表把原文连续句子中关于典型布局增益的数字按条件整理，比较问题是同布局下单模型相对最强固定基线与可变基线的收益，公平条件是相同划分与评估方向，指标方向是分贝越小越好。
| 条件 | 指标 | 对比对象 | 本方法收益 | 原文限定 |
|---|---|---|---|---|
| M=3 布局 | 对数谱失真 | 最强固定基线 | 0.50 分贝 | 稀疏下增益最大 |
| M=5 布局 | 对数谱失真 | 最强固定基线 | 0.38 分贝 | 稀疏下增益较大 |
| M=19 布局 | 对数谱失真 | 最强固定基线 | 0.14 分贝 | 典型布局 |
| M=100 布局 | 对数谱失真 | 最强固定基线 | 0.19 分贝 | 稠密布局 |
上表的主要收益是单个模型在 4 个典型布局上均报告最低平均对数谱失真且稀疏端提升更明显，具体代价是固定基线为每布局单独训练而本文用单模型跨布局，比较时需区分灵活性与单点最优。未胜出项是有一组耳间级差误差仅持平而非最低，说明双耳差异的改善不完全同步于幅度改善。
泛化测试用同一点数但不同空间分布的 4 种结构化布局，包括分布均匀的球面采样与覆盖受限的上半球和水平环，均用 SONICOM 可用方向实例化且训练时未作为结构化布局显式包含。同一单模型在 4 组上均优于可变基线，均匀全球面最好，覆盖受限时两者都退化，水平环最难。
| 条件 | 指标 | 对比对象 | 本方法收益区间 | 趋势限定 |
|---|---|---|---|---|
| 均匀全球面 | 对数谱失真与级差 | 可变基线 | 0.59 至 0.97 分贝区间内 | 分布均匀时最好 |
| 上半球覆盖 | 对数谱失真与级差 | 可变基线 | 区间内偏大端 | 覆盖受限退化 |
| 水平环覆盖 | 对数谱失真与级差 | 可变基线 | 区间内最大端 | 最具挑战 |
| 全体趋势 | 两项指标 | 可变基线 | 一致优于基线 | 受限布局差距拉大 |
上表支持的判断是泛化到未见空间分布时仍保持优势且受限布局相对增益更大，限制是绝对误差在受限布局下仍上升，不能理解为覆盖缺失已被解决。为避免把曲线趋势误读，单样本频响图的导读放在图 3 段落。
该例子选自特定听者在正侧方、19 个测量下的右耳幅度预测，用于展示高频陷波附近的拟合差异，阅读时先确认坐标与图例，再比较中频与陷波段。
看图路径： 1. 先确认横轴频率为对数刻度、纵轴为幅度分贝；2. 再比较中频隆起段三条曲线的贴合程度；3. 最后聚焦 9 千赫附近深陷波处各方法的深度与位置偏差
论文图 3。原论文 Figure 3:：“Example right-ear HRTF magnitude prediction for listener P0181 at the 90^\circ right-lateral direction with M=19 measurements.”。
图 3 横轴为对数频率、纵轴为幅度分贝，3 条曲线分别为目标、固定基线与本方法。本方法在中频隆起与高频陷波附近更贴近目标，固定基线在深陷波处偏差更大。该图是单样本标记而非分布曲线，不能推广为全测试集结论，具体总体增益以相邻两表中的分贝区间为准。
拿掉查询条件、几何偏置与频率建模各损失多少？
消融回答各组件是否必要，测试条件固定为典型布局与半球布局下 19 个测量，所有变体遵循相同训练协议。4 个变体分别是均值池化替代查询条件交叉注意力、去掉相对几何偏置但保留注意力、去掉 Conformer 逐频点独立预测、只保留 1 维卷积去掉全局自注意。指标仍是对数谱失真与耳间级差误差，方向越小越好。
下表把原文连续句子中的增量数字整理成对照，比较问题是每个变体相对完整模型的退化量，公平条件是相同训练与评估布局，指标方向是增量越小说明该组件越不关键。
| 变体 | 操作含义 | 耳间级差增量 | 适用条件 |
|---|---|---|---|
| 去几何偏置 | 保留注意力去偏置 | 一致小幅退化 | 两布局 |
| 去频率建模 | 逐频点独立预测 | 同步退化 | 两布局 |
| 仅卷积 | 留局部去全局自注意 | 同步缩小 | 两布局分别 |
上表显示完整模型在两布局上均为最好，查询条件贡献最大，去掉后退化超 1 分贝；相对几何是持续小幅增益；频率建模中局部分量占大头，全局自注意提供额外增益。未胜出项是仅卷积已能挽回大部分频率建模损失，说明长程建模的增量有限。未评测边界是消融只在 19 点两布局下进行，不能推广到 3 点极稀疏或水平环等更受限布局。原文未补写拿掉后必然如何的因果断言，此处仅按报告的增量复述为相关性证据。
哪些结论有边界，哪些验证还没有做？
论文直接报告的是在 SONICOM 划分与给定频率范围内的幅度上采样误差，支持的是单模型跨布局的灵活性与在测试布局上的平均优势。有限解释是相对几何与频率建模带来增益，消融增量支持但未证明因果机制，也未测量误判率之外的感知听感。未验证推测包括换数据集、换频段、真实缺测分布或自适应采样下的表现，原文未给出这些条件的结果，应表述为待验证。
缺失证据不是技术错误，但复述时必须点名。具体缺项包括训练 wall-clock 时间、推理延迟与内存、输出帧率、不同随机种子的方差分析方法、感知主观评价。总体趋势不等于每组每步成立，例如水平环下绝对误差仍高，稀疏端增益大不代表极稀疏下已够用。相关性不等于因果，均匀布局好于受限布局可能源于空间信息量本身，不能归因于模型偏好。此外资源状态为本次未发现来源绑定且完成验证的资源，不得声称代码模型数据已公开，原文仅写接受后发布，应按当前不可确认可达来理解复现门槛。
要复现应先固定什么，再跑什么？
复现先固定信息条件：数据集用 SONICOM，保留 187.5 赫兹至 19.875 千赫共 106 频点，前 180 听者训练、余 20 测试，先 160 对 20 选配置再全量重训锁定模型。采样按一半典型布局一半随机点数、每上下文 64 查询实现，评估只算上下文外方向。模型按 4 块 Conformer、128 特征维、256 前馈、8 头、卷积核 7、正弦编码尺度 4、丢弃率 0.1 实现，损失为对数谱失真加谱梯度。优化按 AdamW 与原文学习率权重衰减批量轮数设置，硬件参考英伟达 L4，但时间与显存需自行记录。
基线要保留实际可运行策略：固定方法为每布局单独训练，可变基线用相同采样策略重训，不能用搜索最优或事后最优代替可部署收益。核对时每个数字要同时核对数据集、基线、阶段、指标、单位与聚合对象，数值相同不代表指标相同，分贝差值不能跨指标混放。常见误解是把单模型最低平均失真理解为每听者每方向必胜，实际上均值加标准差仍允许个体波动；另一误解是把图 3 单样本陷波拟合好理解为高频问题已解决，应以多布局平均增益与受限布局退化一起看。若资源不可达，先用原文超参数与采样逻辑实现最小可运行版本，再补延迟与主观验证。
何时值得尝试这种空间与频率分离的做法？
当采集点数与位置不固定、希望只维护一个检查点时，这种先逐频点按查询聚合、再沿频率整理谱结构的做法值得尝试。它的可核对优点是置换不变的变长输入、显式几何偏置与保留频率轴的建模分工，代价是仍需多听者数据训练 Conformer，且覆盖严重受限时绝对误差仍上升。教学上应记住三句话：空间聚合决定向谁借，几何偏置决定借多借少，频率建模决定借来后谱形是否合理。后续验证应补真实缺测、跨数据集、感知评价与延迟成本，再谈部署收益。
📎 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