英文题目：Perceptually Motivated Alignment and Interpolation of Pitch-Aligned Time-Frequency Representations
标签：#音乐理解 | #信号处理 | #音乐 | #听觉与音乐认知
评分：5.6/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.7/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5
👥 作者与机构
- Shahan Nercessian：机构信息未在 arXiv HTML 中可靠披露
- Jeff Sontag：机构信息未在 arXiv HTML 中可靠披露
- Alejandro Koretzky：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
本文处理音高对齐时频表示跨语境比对与连续过渡问题，输入为色度图等非负音高分布，输出为保持感知协和性的对齐置换或插值分布，难点在于调性模糊且欧氏色度距离不符合协和感知。首先将音调区间向量重构为可逆实数傅里叶算子并引入感知平滑，输出保留音高轴的滤波表示并送入对齐搜索。然后以该空间距离定义置换目标，用匈牙利算法求解线性分配近似并以2-opt贪心精化求解二次分配，其输出的对齐分布进入插值阶段。最后在四五度圈上做圆周最优传输插值，并用圆柱自编码器解耦音阶根音、密度与色彩以实现结构化连续变化。相比欧氏色度直接淡入淡出，关键差异在于权重编码协和先验且传输沿谐波近邻路径移动能量，因而过渡更符合声部进行与调性逻辑。在合成序列对齐任务下，Hungarian+2-opt的TIV距离指标为89.847，低于无对齐基线的TIV距离指标130.450。该结论适用边界受限于12维色度与小规模合成验证，尚未验证在真实录音、复调转录噪声及主观听感上的泛化。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 演示资源：https://tiv-ext.netlify.app — 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，目标是什么，读完要能复述什么？
本文的输入是与音高对齐的时频表示，简称音高对齐表示。研究生可以把它理解为按音高排列的能量分布：音频一侧是恒定 Q 变换导出的色度图与音级轮廓，符号音乐一侧是钢琴卷帘与音高激活图。时间轴按帧推进，音高轴按半音或按琴键编号排列。目标是对这类表示做两类操作。第一类是对齐：把一个音高分布重排到另一个音高分布上，例如把一段和声适配到新的旋律语境。
第二类是插值：在两个音高分布之间生成连续过渡，例如从大三和弦过渡到小三和弦。读完本文应当能复述 3 条方法主线。第一，把音调区间向量改写为可逆算子并导出感知平滑表征。第二，把对齐写成感知加权距离下的置换搜索，先用线性指派近似再用交换精修。第三，把插值写成最优传输的质量搬运，并在四五度圈上做圆形版本。
还需要保留的关键信息是实验条件与资源状态：作者提供了演示链接，本次核验显示该演示链接当前可用，已公开可访问，状态码为 200。后续所有数字只引用原文连续原句，不引入外部评价。
已有路线解决了什么，还缺哪一块可验证的对照？
第一条路线是色度与音级轮廓分析。恒定 Q 变换先给出对数频率刻度，再按八度折叠得到 12 维色度向量，按时间平均则得到音级轮廓。这条路线擅长描述音高内容并支撑和弦识别与调式估计，但直接用欧氏距离比较两个色度向量时，数学上接近不等于听觉上协和接近。第二条路线是生成式音频合成。以自回归与扩散模型为代表的方法能生成高质量音乐，但在和声结构控制上工具较少，难以稳定完成重新配和声、跨调适配与多层对齐。
第 3 条路线是音调区间向量。它对归一化色度向量做离散傅里叶变换，丢掉直流分量并按协和感知权重加权，使得向量间欧氏距离更贴近协和感知。以往工作多把它当作分析工具，缺少可逆形式与高维推广，也缺少把它用于对齐与插值的完整流程。本文的可验证增量正在于此：给出可逆基、归一化、高维推广与平滑特征抽取器，再分别对应到对齐与插值。理解这 3 条路线后，才能明白本文不是提出新的生成器，而是为分析、作曲与生成控制提供一组信号处理工具。
对齐与插值在数学上各守什么约束？
对齐问题守的是置换约束。设源表示为非负向量，目标表示为非负向量，待求是一个置换矩阵。置换的作用是只改变音高位置，不产生或删除音级总数。用原文的话说，置换保持范数结构，特别关注零范数意义下的音级不增不减。目标函数定义在音调区间向量空间中，即先对置换后的源与目标分别做变换，再算平方欧氏距离。
插值问题守的是概率约束。把两个表示做一范数归一化，使其成为概率向量，插值结果也必须是合法概率向量。朴素做法是对两个向量做凸组合，效果相当于一个淡出一个淡入，质量没有沿音高轴搬运。本文用最优传输替代淡入淡出，让质量沿音高轴移动。举例来说，从 C 大三和弦到 C 小三和弦，朴素插值是在 E 音位上逐渐降低、在降 E 音位上逐渐升高，而传输插值是把质量从 E 搬到降 E，圆形版本还允许沿四五度圈选择更符合和声逻辑的搬运路径。
两类问题的约束不同，因此一个用置换搜索，一个用传输计划，不能混用。
三段式工具链如何串起一个样本？
沿一个 12 维色度样本走一遍全流程有助于建立依赖关系。输入是一个非负色度向量，先做和归一化得到振幅无关的分布，再进入可逆音调区间变换得到加权谱表示。接着有两条使用路径。若任务是对齐，则把变换结果经转置基映射回音高轴，得到感知平滑向量，再在平滑域求置换。若任务是插值，则把归一化分布送入最优传输求解器得到传输计划，再按插值参数生成中间分布。
若任务是音阶建模，则把带直流分量的变换结果做二范数归一化后送入自编码器，学习色彩维度，同时用确定性公式计算密度与根音角度。输出对应 3 种形态：对齐输出是重排后的非负表示，插值输出是中间概率向量，音阶模型输出是重建的色度分布。整个工具链的共同基础是同一个傅里叶基与同一组感知权重，只是直流参数、归一化开关与维度推广方式不同。下文按变换、对齐、插值、几何表示的顺序展开，每一步都先讲输入输出，再讲计算目标与原文实现。
音调区间向量原来如何计算？
先理解原始定义才能理解后续改写。输入是 12 维色度向量，输出是 6 维复向量。计算分 3 步。第一步按总量归一化，得到每个音级占比，使整体响度变化不影响表示。第二步对归一化向量做离散傅里叶变换，分析其中存在哪些音程周期模式，例如半音密集程度与三度五度结构。
第 3 步丢掉直流分量并按感知权重加权。权重来自对二声音程协和评分的拟合，符号输入与音频输入各有一组。原文报告符号权重与音频权重取值不同，变换输出在丢直流后保留 6 个频率，归一化保证振幅无关，权重来源为经验评分拟合而非本文新拟合，后续对齐实验报告距离时用原始变换以避免偏向新方法。时变色度图的处理是逐帧套用同一公式，或先按时间平均得到音级轮廓再变换。
下面的公式段给出原始变换与其归一化分量，符号含义是色度向量、归一化分布、感知权重与傅里叶核，计算目标是得到振幅无关且更贴近协和感知的距离空间。
\[T(\bm{c})[k]=\bm{w_{*}}[k]\sum_{n=0}^{N-1}\bar{\bm{c}}[n]\exp{\frac{-j2\pi kn}{N}},\hskip 9.24994pt\penalty\ 1\leq k\leq 6\]\[\bar{\bm{c}}[n]=\frac{\bm{c}[n]}{\sum_{n=0}^{N-1}\bm{c}[n]}\]该定义的直接后果是距离在变换域比在色度域更符合协和感知，但丢直流的做法破坏了可逆性，这是下一小节要修复的问题。本节需要回答的比较问题是符号权重与音频权重是否只是数值缩放，还是各维度相对关系也不同，公平条件是同一变换结构下只换权重向量，指标方向是与经验协和评分的相关性而非分类准确率。具体代价是两组权重跨域不能混用，音频与符号的适用条件不同。未胜出项在这里不是某个方法，而是一个边界：原始变换不可逆，因此不能直接逆滤波恢复色度，这正是需要可逆改写的原因。
怎样把变换改写为可逆并推广到高维？
可逆改写的关键是看清秩损失来自哪里。把复数傅里叶矩阵拆成实部虚部堆叠，得到行数多于列数的实矩阵。其直流与奈奎斯特分量对应纯实基向量，虚部为零，因此矩阵秩仍为输入维度。原始定义丢掉直流分量，相当于删掉一个贡献秩的行，使秩减一。改写做法是去掉两个不贡献秩的空分量形成方阵，并把直流分量移到最后一行，得到满秩实数基。
再构造增广权重向量，把原始权重、除最后一个外的权重与自由参数拼接成对角加权矩阵。与原始变换的等价性通过令自由参数为零来实现，此时零分量不再由基结构强制，而是由权重强制。令自由参数为一则保留直流，使广义变换可逆，可通过谱除法逆滤波恢复色度。作者用该逆滤波检查了外部工具包中的模板，发现 C 大调对应模板出现异常的 D 音强调，这解释了其调式检测表现下降。
归一化扩展包括两步：把基的行归一化为正交以保持欧氏距离，再把权重重新缩放以维持与协和评分的关系；把非直流权重归一化到求和为维度的一半减一，使变换域距离与色度域距离量级可比。高维推广把维度写成 12 乘以八度数，权重用线性插值过采样，保证 12 维时的音程频率与权重在高维对应位置保留。
音调区间向量 × 可逆算子： 音调区间向量负责把十二维色度向量经归一化与加权傅里叶变换映射到更符合协和感知的空间，可逆算子负责保留直流分量并整理出满秩实数基使变换可逆，二者搭配的理由是只有可逆才能做逆滤波恢复色度并把感知加权以滤波形式作用回音高轴，组合后得到既带感知先验又与音高轴对齐的平滑表征。
下面的公式段给出感知平滑特征抽取器与对齐目标，符号含义是实数傅里叶基、加权矩阵、源与目标表示及置换矩阵，计算目标是在变换域最小化重排误差。
\[A(\bm{c})=\bm{c}^{\prime}=\bm{F}^{T}\bm{Tc}=\bm{F}^{T}\bm{WFc}\]\[J(\bm{P})=\left\lVert\bm{T}\bm{Px}-\bm{Ty}\right\rVert^{2}_{2}\]特征抽取器的含义是先加权变换再映射回音高轴，当权重全为一且保留直流时恒等恢复输入，否则得到滤波后的版本，但不再保证非负。高维构造的比较问题是两种实现是否在原始频率上一致，公平条件是同一 12 维色度出发，分别做补零与复制平均，指标是对应频率处变换值是否相同。原文以 96 维 8 八度为例说明保留原始频率权重，88 键钢琴情形先补零到最近 12 倍数再截断，时变矩阵可逐帧或整体处理。代价是补零会引入辛格卷积旁瓣，复制平均则在非原始频率处为零。未评测边界是超过 8 个八度的极高维情形，原文未给出验证。
下面先导读 88 维感知平滑图，横轴是音高仓编号，纵轴是幅度，两条曲线分别为原始与平滑版本，观察重点是峰高、基线与次峰保留情况。
看图路径： 1. 先沿横轴找到主峰所在的音高仓编号并比较两条曲线的峰高差异；2. 再观察两侧基线是否出现负值与整体抬升，确认平滑不再保非负；3. 最后比较次峰位置是否保留，判断滤波是否保持音高轴对齐
论文图 4。原论文 Figure 4:：“88-D PTFR and its perceptually smoothed version.”。
从像素可见，主峰附近原始曲线高于平滑曲线，平滑曲线峰值明显降低且两侧出现轻微负值，基线整体被抬升到零以上。次峰位置基本对齐，说明滤波保留了音高轴对应关系，只是按感知权重做了幅度重塑。这张图不支持把平滑输出当作概率分布直接送入最优传输，因为负值违反传输的非负要求，这也是结论部分明确列出的未来工作。
对齐如何从循环移位做到置换与矩阵？
对齐的优化目标展开后包含 2 次项、交叉项与常数项。当加权矩阵为单位阵时 2 次项退化为常数，问题成为线性指派。由于感知权重是非均匀对角阵，加权 Gram 矩阵是满矩阵且不一定与置换交换，问题成为 2 次指派，属于难解问题。原文的实用策略是先解近似的线性指派，再用二交换精修。循环移位是置换的子类，可直接对应音频域的移调。
最大值法把平滑向量的最大值位置定义为根音并对齐根音，互相关法则搜索使整体相似最大的循环移位。完整置换的线性近似有闭式解：按排序对齐两个向量的顺序统计量，这由重排不等式保证。对时变色度图，线性近似的代价矩阵定义为平滑后帧向量内积的负 2 倍，可用匈牙利算法求解。二交换精修从线性指派解出发，枚举所有行对交换，若真目标下降则接受，直到无单交换可改进。由于关注小维度情形，该贪心搜索是务实且高效的选择。
感知平滑表征 × 置换对齐： 感知平滑表征负责把色度向量先经加权变换再经转置基映射回音高维度，置换对齐负责在音高轴上重排一个表征去逼近另一个表征，二者搭配的理由是直接在色度域用欧氏距离会忽视协和距离，而在平滑域比较能让重排目标反映听觉相近性，组合后把二次指派难题近似为线性指派再做二交换精修。
本节的教学例子是 D 大调 1 级 4 级 5 级 1 级序列与 C 小调固定旋律的对齐，单向量方法先算音级轮廓再把所得置换作用到整段色度图，矩阵方法则直接比较整段帧结构。例子仅用于说明输入输出形态，不附加无源的效果数值。
插值如何从淡入淡出做到沿圈搬运？
线性最优传输把音高轴看作 1 维离散点，用贪心单调重排求传输计划，再按插值参数在源位置与目标位置之间线性放置质量。朴素凸组合只是在原位升降，传输则产生搬运感。四五度圈把半音顺序重排为按四五度相邻的顺序，使传输代价反映和声距离。圆形版本进一步连接首尾形成周期域，允许质量沿顺逆时针选择最短弧。算法上先在四五度圈域用传输库求圆形计划，再对每个非零传输量计算顺逆弧长并沿较短方向移动，最后把非整数位置按相邻整数仓分数分配。是否先对齐根音决定了插值含义：对齐根音后插值反映音阶色彩变化，不对齐则同时包含根音移动。
四五度圈 × 圆形最优传输： 四五度圈负责把半音顺序重排为按纯四纯五关系相邻的顺序，使传输代价按和声距离而非半音距离计算，圆形最优传输负责在周期域上求解质量从源分布到目标分布的最省搬运方案并沿最短弧插值，二者搭配的理由是和声进行常沿四五度移动且首尾相连，组合后插值走的是声部进行式的路径而非简单的淡入淡出。
原文以 C 大三和弦到 C 小三和弦为例，比较线性淡入淡出、线性传输与圈上圆形传输在 5 个插值参数下的音集，圆形版本在中间给出六声音阶等更具和声逻辑的过渡。该例是定性演示，不作为可部署收益的定量证据。
几何音阶模型训练了什么，什么没有训练？
本研究的几何音阶模型包含确定性计算与神经网络学习两部分，没有训练对齐与插值的权重，因为那两部分是固定信号处理算子。确定性部分计算密度与角度。密度用 Hoyer 稀疏度度量并缩放到单音映射到十二分之一、半音阶映射到一。角度定义为色度最大值位置沿四五度圈到 C 的距离。训练前按负角度预旋转使模型只看到以 C 为根音的输入，网络处理后再旋转回去。
编码器输入是带直流的变换结果经二范数归一化后的堆叠向量，输出潜变量，与密度拼接后送入解码器重建变换表示。优化目标是输入与重建之间的余弦距离。恢复色度时对重建做逆变换、反旋转与一范数归一化。编码器与解码器各由 3 层线性层组成，隐维度为 22，中间用泄漏整流激活。训练数据是内部构造的 106 条音阶模板，覆盖四音、五声、六声、七声、八声音阶以及半音阶与单音，非音阶音置零，权重源自已有音级轮廓模板。
每个训练步用全量数据作一批，共训练 20000 步，用 Adam 优化器，学习率为千分之一。
下面先导读模型框图，重点是上下两条支路与旋转、变换、归一化、编解码模块的连接关系。
看图路径： 1. 先沿上支路追踪色度向量经旋转、加权变换与归一化进入编码器的路径；2. 再确认下支路经逆变换、反旋转与归一化恢复色度向量的闭环；3. 最后定位虚线瓶颈与根音密度旁路，区分确定性计算与学习变量
论文图 6。原论文 Figure 6:：“Block diagram of our geometric scale representation model architecture.”。
从像素可见，上支路从左到右依次是根音密度计算、负角度旋转、带直流变换、二范数归一化、编码器与解码器，下支路从右到左是归一化、逆变换、正角度旋转与一范数归一化。根音密度旁路同时送入旋转与解码器，虚线瓶颈表示潜变量位置。该图确认密度与角度是确定性旁路，只有色彩维度经由编码器学习。未报告项是随机种子、权重初始化与验证划分，原文未给出这些细节，因此不能从模型名称推定其泛化表现。
音阶密度 × 音阶色彩： 音阶密度负责用量化的稀疏度描述音阶用了几个音级，音阶色彩负责用自编码器潜变量描述在固定密度下偏亮偏暗的光谱形状，二者搭配的理由是把根音旋转归一后密度与色彩才可分离学习，组合后可以在固定密度下沿色彩轴连续解码出不同的音阶轮廓。
本节比较问题是全批量训练在小规模模板集上是否稳定，公平条件是同 106 条模板与同一网络结构，原文未报告多次随机重复的方差，因此只支持单次训练得到色彩轴从类洛克里亚到类利底亚排列的观察，不支持稳定性的因果结论。下表整理训练规模与插值评估条件，数值均来自原文连续原句。
| 条件 | 规模 | 优化 | 网络 | 评估 |
|---|---|---|---|---|
| 音阶模板 | 106 | 全批量每步 | 3 层线性加泄漏整流 | 色彩轴可视化 |
| 训练步数 | 20K | Adam 优化器 | 隐维度 22 | 重建余弦距离 |
| 学习率 | 10 的负 3 次方 | 未报告衰减 | 未报告初始化 | 未报告验证集 |
| 对齐规模 | 1024 对随机色度图 | 无训练只搜索 | 匈牙利加二交换 | 平均优化器表现 |
| 插值参数 | 0,三分之一,二分之一,三分之二,1 | 无训练只求传输 | 线性与圆形对比 | 中间音集定性 |
上表的主要收益是给出可复现的训练预算与评估网格，具体代价是模板集为内部构造且规模小，随机对齐集也是合成数据。未胜出项是线性传输在该大三到小 3 例子中与朴素淡入淡出收敛到同一解，说明线性轴搬运在此例无额外收益，这正是需要圆形版本的原因。
数据、协议与指标如何对应到三个实验？
对齐实验用两类数据。音乐示例是合成的两段色度图，一段是 D 大调和声进行并加小扰动以模拟真实权重，另一段是 C 小调固定旋律。单向量方法先算音级轮廓再把置换作用到整段，矩阵方法直接用整段帧结构。随机规模实验生成 1024 对随机色度图，报告平均优化器表现。距离指标统一用原始变换下的欧氏与 Frobenius 距离，以避免偏向新算子。
插值实验用 C 大三和弦与 C 小三和弦的三分之一均匀分布作为源与目标，在 5 个插值参数下比较朴素线性、线性传输与圈上圆形传输，关注中间音集的和声合理性。几何表示实验用 106 条内部音阶模板训练自编码器，编码为 3 维圆柱表示，其中半径与角度确定性计算，高度学习得到，训练后把高度中心化并缩放到 -1 到 1 区间观察。演示网站提供额外的图形与音频，但正文未给出听感评分协议，因此不能把演示当作人评证据。
硬件预算、采样率与色度抽取细节在所给证据中未报告，属于具体缺项，复现时需先补齐这些条件再谈性能。
主结果支持了什么判断，又在何处反转？
对齐结果的总体趋势是近似线性指派已带来大部分误差下降，二交换精修能进一步求解真 2 次目标。原文报告向量情形下排序法对线性近似最优，矩阵情形下匈牙利法最优，精修后各有改进。需要强调的是总体趋势不等于每组都成立：排序加精修在矩阵音乐示例上出现误差回升，匈牙利加精修在向量音乐示例上也略有回升，说明贪心交换针对真目标优化时可能偏离线性近似的最优点。这不是技术错误，而是近似目标与真目标不一致的自然结果。
插值结果支持圆形版本产生更具和声逻辑的中间音集，例如中间出现六声音阶并关于负和声轴对称，而基线方法在该例子中停留在附加升九音的重复形态。但该判断仅限此特定大三到小 3 对，不支持推广到所有调式对。几何表示结果支持色彩轴一端偏暗、一端偏亮且密度轴正交排列，但该观察来自单次训练的可视化，未报告统计显著性。
由于原表矩阵在本次证据中不可安全选择，下表不复述原表数值，转而整理可逐字核对的权重与维度条件，作为复现前必须固定的信息条件。
本段提出的比较问题是不同输入域是否应共用同一组感知权重，公平条件是同一变换结构与同一归一化流程，指标方向是与经验协和评分的一致性。下表给出原文报告的基线信息。
| 条件 | 维度 | 符号权重 | 音频权重 | 说明 |
|---|---|---|---|---|
| 原始 12 维色度 | 12 | 2,11,17,16,19,7 | 3,8,11.5,15,14.5,7.5 | 两组权重分别来自符号与音频拟合 |
| 变换输出 | 6 | 6 维复向量 | 6 维复向量 | 丢直流后保留 6 个频率 |
| 归一化 | 总和为 1 | 按总量归一 | 按总量归一 | 保证振幅无关 |
| 权重来源 | 经验评分 | 有界整数暴力搜索 | 音频跟进工作 | 非本文新拟合 |
| 本文用法 | 基线 | 报告距离用原始形式 | 报告距离用原始形式 | 避免偏向新方法 |
表后解释是该基线选择使对齐比较更公平，具体代价是新方法的感知平滑优势不能在报告距离中直接体现。未胜出项是移位类方法表达能力有限，只能改善部分误差。未评测边界是真实录音色度图的对齐表现，原文只用合成与随机数据验证，待后续补充。
哪些对照说明增量来自哪里？
第一个对照是移位与置换的表达能力。最大值法与互相关法只允许循环移位，对应音频域移调，改进有限。排序法与匈牙利法允许完整置换，改进更大。这支持表达能力是主要来源，但代价是搜索空间从线性扩大到阶乘级，需要近似与精修。第二个对照是线性近似与真 2 次目标。
线性近似把感知滤波移到置换外，得到可高效求解的指派问题，二交换把滤波放回置换内做真目标精修。这支持大部分收益来自近似解、少部分来自精修的判断，但反例是精修在个别音乐示例上使线性近似指标回升，因此不能把精修当作单调改进。第三个对照是线性传输与圆形传输。线性传输在此特定例子中与朴素方法同解，圆形版本走出不同路径。这支持和声距离建模是关键增量，但代价是需要四五度圈重排与周期边界处理。
第四个对照是密度与色彩的分离。固定密度 varying 色彩可得到平滑听感过渡，这支持圆柱分解的有效性，但训练集小且无消融去掉预旋转的对照，因此不能断言预旋转是必要条件。
本段的比较问题是高维构造是否改变原始频率的感知加权，公平条件是同一色度出发的两种高维实现，指标是对应频率处是否一致。下表整理原文给出的维度条件。
| 条件 | 维度 | 八度数 | 构造方式 | 处理 |
|---|---|---|---|---|
| 色度基线 | 12 | 1 | 原始色度向量 | 直接变换 |
| 高维示例 | 96 | 8 | 补零与复制平均 | 保留原始频率权重 |
| 钢琴键盘 | 88 | 非 12 倍数 | 补零到最近 12 倍数再截断 | 适配任意维度 |
| 时变矩阵 | N 乘 M | 依输入定 | 逐帧或整体处理 | 可扩展到色度图 |
| 归一化开关 | 可选 | 依任务定 | 行正交与权重缩放 | 对齐时有用 |
表后解释是两种高维实现在原始频率处取值相同，复制平均在其他频率为零可理解为八度折叠的模糊，补零则卷积上辛格函数。具体代价是补零旁瓣可能污染邻近频率。未胜出项是未归一化版本可视化更直观但距离量级不可比，因此对齐时应开启归一化。
什么没有测，什么不能承诺？
首先，感知平滑输出不再保证非负，原文明确承认这一点。这意味着它不能直接作为最优传输的输入，结论也把在圆形传输框架内集成特征抽取器列为未来工作。在该集成完成前，不承诺平滑与传输可任意串联。其次，对齐的真 2 次目标用贪心二交换精修，没有全局最优保证，且在小维度下务实高效，不承诺扩展到高维仍高效。第三，几何表示的训练集是 106 条内部模板，没有公开划分与重复实验统计，不承诺色彩轴在其他音阶体系下同样排列。
第四，实验以合成与随机数据为主，没有真实录音的大规模评测，也没有听感实验的误判率、延迟与成本测量，因此不承诺 musicality 在生产环境成立。第五，逆滤波发现的外部模板异常只是观察性解释，原文表述为可能解释了调式检测下降，用词是可能而非因果断定。最后，演示链接本次确认可用，但可用不等于可复现全部数字，复现仍需补足色度抽取、随机生成规则与硬件预算等缺项。
复现先固定什么，再跑哪三步？
先固定信息条件。维度上区分 12 维色度、96 维 8 八度示例与 88 键钢琴情形，非 12 倍数先补零到最近 12 倍数再截断。权重上区分符号与音频两组，不混用。变换上固定自由参数取值：等价原始定义时取零，可逆与保留直流时取一。归一化开关在对齐时开启以保持距离可比，可视化时可关闭。
第一步复现可逆变换。按实部虚部堆叠构造实数基，整理为方阵并把直流移到最后一行，构造对角加权矩阵，验证取零时与原始公式等价、取一时可逆并能逆滤波恢复色度。第二步复现对齐。先算感知平滑向量，分别实现最大值、互相关、排序与匈牙利 4 种近似，再实现二交换精修并在合成示例与 1024 对随机数据上评估原始变换距离。第 3 步复现插值与几何表示。
插值先实现线性贪心传输，再实现四五度圈重排与圆形传输，在 5 个插值参数下检查中间音集。几何表示按负角度预旋转、带直流变换、二范数归一化、编码解码、逆变换反旋转与一范数归一化的顺序搭建，用全批量训练 20000 步。本段的比较问题是复现时如何确认环境一致，公平条件是同一模板集与同一评估网格。复现应明确标注缺失的随机种子、色度抽取与硬件信息等缺项。
未评测边界是不同随机初始化下的色彩轴稳定性，建议补做多次重复再报告均值与离散程度。
何时值得尝试这套工具，何时先绕行？
当任务需要在音高轴上保持结构又要兼顾听觉合理性时值得尝试。例如把一段和声适配到新旋律但不想改变音级总数，可先试循环移位建立基线，再试排序或匈牙利得到完整置换，最后用二交换针对真目标精修。当需要在两个和声之间生成过渡而非简单交叉淡化时，可试四五度圈上的圆形传输，并明确是否先对齐根音以区分色彩变化与转调。当需要压缩与浏览音阶空间时，可试圆柱表示并固定密度沿色彩轴解码。
不建议的情形包括：输入本身噪声大且根音定义不可靠时直接用最大值法；需要严格非负概率输出却直接使用平滑向量时不做截断或重归一化；把合成数据上的平均改进直接当作真实录音收益。回到中心矛盾：欧氏距离易算但不合听觉，感知加权合听觉但带来难解的 2 次指派与非负约束冲突。本文的回答是分而治之，用可逆算子统一表示，用线性近似换取可行解，用圆形传输换取和声合理性，用几何分解换取可解释的连续控制。
未来验证应补足真实录音评测、人评协议与开销测量，再谈生成系统的结构化控制。
📎 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