英文题目：DiffVQE2: An Efficient Low-delay Diffusion Model for Acoustic Echo and Noise Control
标签：#回声消除 | #扩散模型 | #语音增强 | #流式处理 | #高效推理
评分：6.9/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 1.1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Haljan Lugo：机构信息未在 arXiv HTML 中可靠披露
- Ernst Seidel：机构信息未在 arXiv HTML 中可靠披露
- Pejman Mowlaee：机构信息未在 arXiv HTML 中可靠披露
- Ziyue Zhao：机构信息未在 arXiv HTML 中可靠披露
- Tim Fingscheidt：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
面向免提通话的联合声学回声控制（Acoustic Echo Control，AEC）与噪声抑制需要以麦克风信号和远端参考信号为输入，直接估计近端干净语音，且必须满足低延迟因果约束并处理双讲残留回声与混响失配。该工作先由条件网络（Condition Network，CondNet）从麦克风与参考语谱图估计掩蔽初值与分层语音条件特征，再将初值加噪后连同条件特征送入分数网络（Score Network，ScoreNet）做单步扩散精化，最后经逆短时傅里叶变换得到时域波形。该链条把判别初值作为扩散采样的强先验，用生成分布弥补因果信息不足带来的感知损伤。相对非因果DiffVQE与判别式DeepVQE的关键差异在于全网改用左侧填充因果卷积与单向门控循环单元（Gated Recurrent Unit，GRU），并为小模型引入分组GRU与有限前视。在ICASSP 2023 AEC挑战盲测集上大模型平均主观平均意见分（Mean Opinion Score，MOS）为3.58，超过重训DeepVQE的3.44，且计算量仅为后者的约13%。该结论限于16 kHz英语为主的合成训练与挑战盲测口径，未验证长时回声路径突变、强非线性失真与多语种泛化，客观双讲仪器指标仍落后基线。原文披露训练使用单卡与500 k步等配置，推理为单步采样并报告了参数量与浮点运算量，部署端实测时延与内存未充分披露。
🔗 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
输入是什么，目标是什么，为什么必须低延迟？
这篇论文研究免提通话中的联合声学回声和噪声控制。输入是 2 路时域信号，一路是麦克风信号，另一路是已知将从扬声器播放的远端参考信号。远端信号先经过扬声器非线性，再与房间冲激响应卷积形成回声。
近端目标语音也经过不同位置的房间冲激响应形成混响，再与回声和背景噪声相加得到麦克风信号。目标是利用参考信号的知识，从麦克风信号中恢复干净近端语音的估计。白话说，系统知道对方声音被放出来多少，就要把混进来的那一份认出来去掉。
低延迟在这里是硬约束，不是附加优点。手机和会议扬声器都要做全双工实时通话，算法不能等整句话结束再输出。论文把低延迟等同于因果处理，即当前帧输出只能依赖过去和当前帧。
已有扩散回声控制工作都是 utterance 级非因果处理，需要整段序列才能计算双向循环状态和对称卷积，因此无法直接部署。论文要解决的矛盾正是生成式方法感知质量好，但此前不具备流式能力。
声学回声控制 × 噪声控制： 声学回声控制负责利用已知的远端参考信号估计并去除经扬声器非线性和房间混响后进入麦克风的回声分量，噪声控制负责压制与参考信号无关的背景噪声，二者搭配的原因是麦克风信号同时包含混响近端语音、回声和噪声，组合意义是联合模型可以共享频谱表示并在双讲时同时保住近端语音和压住回声。
对刚入门的读者，需要先固定 3 类语音条件。远端单讲只有对方声音经扬声器形成回声，考查回声能否压干净。近端单讲只有本端说话，考查是否损伤目标语音。
双讲是双方同时说话，最难，需要同时压回声和保住近端语音。论文后续主观和客观分数都按这 3 种条件分别报告。理解这一点才能看懂为何有的模型回声分高但语音分低。
判别式基线和生成式前身各解决了什么？
论文把相关路线分成 2 条。第一条是端到端判别式训练的神经网络，直接学习从受损语音到干净估计的映射。代表是微软的 DeepVQE 及其紧凑变体 DeepVQE-S。
论文指出在 ICASSP 2023 AEC Challenge 数据上 DeepVQE 超过所有参赛队伍，成为联合回声噪声控制的参照方法，并且已经具备流式能力并被部署。这条路线是本文必须超过的实际可运行基线。
第二条是扩散等生成式语音增强。论文提到这类方法通过学习干净语音数据分布并在推理时采样，在噪声抑制的感知质量上持续超过判别基线。URGENT 挑战赛结果也支持其跨失真类型的潜力。
进入回声控制后，先有 StoRM 框架的改编版本，但论文指出其缺乏可复现的训练流程、数据和模型定义。随后 DiffVQE 给出第 1 个混合扩散回声和噪声抑制模型，完全可复现。但 DiffVQE 和 StoRM 改编版都工作在 utterance 级别。
因此本文定位很清晰，不是另起一种扩散公式，而是在 DiffVQE 非因果大模型基础上做因果化和高效化。得到 DiffVQE2 和 DiffVQE2-S 后，与同参数规模的 DeepVQE 和 DeepVQE-S 在同一盲测集上对比。这种对照属于同输入和同目标的有源对照。
要复述的问题形式：从哪 2 路频谱到哪一路估计？
沿一个样本走一遍有助于固定符号。时域参考信号和麦克风信号先经短时傅里叶变换变成频域谱，论文记参考谱、麦克风谱和干净语音谱为从第 1 帧到第 L 帧的复数矩阵。模型逐帧处理，每帧同时看到参考谱帧和麦克风谱帧。
条件网络先估计判别式掩蔽，得到中间估计和一组语音条件。然后在中间估计上加高斯噪声，再用分数网络做一步基于分数匹配的生成式估计。最后经逆变换回到时域得到干净语音估计。
这个流程的关键信息条件是推理时必须已知参考信号。如果没有参考信号，问题退化为普通噪声抑制，回声分量无法与近端语音区分。论文明确自己不对时延建模，因果模型在评测前用 GCC-PHAT 做因果时延补偿。
而非因果 DiffVQE 不做这一步。这意味着比较时预处理并不完全相同，复述时必须保留这一条件。否则会误以为所有模型吃的是完全相同的输入对齐。
教学例子仅为帮助理解，不代表论文数值。假设本端说话的同时对方声音从扬声器漏进来，麦克风同时收到混响本端语音、房间反射回声和风扇噪声。理想输出是只留下本端干声，论文方法先用条件网络给保守初值，再用扩散步骤推向干净分布。
DiffVQE2 全景：2 网络加 1 步采样如何串起来？
推理全景可以分成 4 步。第 1 步是频域变换，把参考和麦克风信号变成帧序列谱。第 2 步是条件网络，根据当前及过去帧估计中间谱和语音条件。
第 3 步是加噪加 1 步生成，用扩散噪声尺度对中间估计加高斯噪声，再调用分数网络做单次分数评估。第 4 步是逆变换回时域。论文强调采用与 DiffVQE 相同的基于分数的扩散设置。
论文采用 EDM 风格 1 步采样器，用单次分数评估代替迭代逆向过程，目的是把扩散的多次迭代成本降到可部署水平。训练与推理共用同一套扩散超参数，卷积核尺寸和步长等沿用前作。
方法上的新东西不在扩散公式本身，而在因果化、小型化和有限前视这 3 处结构改动。后面 3 节分别讲这 3 处，每节只讲一处改动的操作和理由。避免把因果化和小型化的效果混在一起。
当前可用性方面，本次收到的证据中没有完成验证的代码、模型或数据资源声明，因此不能声称代码或权重已公开。复现只能依据论文文字描述的数据构造和训练细节进行。
因果化改了哪里：卷积和循环如何去掉未来依赖？
非因果 DiffVQE 骨干不能流式运行的原因有 2 处，论文明确点名。对称时间卷积会向前读取当前帧之后的帧，双向门控循环单元的隐状态会聚合整句序列后才产生输出。条件网络和分数网络共享这种通用结构。
因此因果化要对 2 个网络做同样的改造。操作是直接替换，所有对称时间卷积换成左侧填充的因果卷积。使感受野只覆盖过去和当前帧，双向 GRU 换成标准单向 GRU。
改造保留部分循环建模能力，同时增大隐层尺寸以恢复参数和算力预算，但消除反向通路。改造后的低延迟因果网络称为 DiffVQE2，大模型编码器通道与 DiffVQE 相同。
大模型 GRU 隐层尺寸为 385，而小模型另行设计。理解时不要把因果卷积当作性能提升手段，它的作用是满足流式约束。本身会损失未来上下文，论文也承认因果模型在多数客观指标上低于非因果对照。
条件网络 × 分数网络： 条件网络的分工是先从麦克风谱和参考谱估计判别式掩蔽得到中间估计和语音条件，分数网络的分工是利用该中间估计和条件做一步分数匹配生成式修正，二者搭配的原因是纯生成采样不稳定而纯判别估计感知质量受限，组合意义是判别初值锚定内容、扩散步骤修复分布细节。
增大隐层尺寸只是把参数预算补回来，不等于把信息补回来。这正是后面引入前视的动机，前视用少量延迟补偿信息损失。
小型化如何压到 0.7 M：通道与分组的作用是什么？
边缘设备要求参数量和算力同时小。从因果 DiffVQE2 出发，论文做 2 处精简得到 DiffVQE2-S。第 1 处是减小编码器和镜像解码器在各级通道宽度，大模型通道为逐级递增的较宽配置。
小模型改为更窄的配置，从而显著降低计算复杂度。第 2 处是把 GRU 换成分组 GRU，把隐特征分成多个独立组并行处理。论文给出 GRU 参数量公式，参数量由输入尺寸与隐尺寸的 2 次项主导。
分组后参数量近似按分组数下降，小模型分组数为 8，隐层尺寸为 144。结果是小模型参数量与 DeepVQE-S 同为 0.7 M 量级，算力更低。论文报告小模型在零前视时为 2.57 GFLOPS。
对照 DeepVQE-S 为 3.12 GFLOPS，大模型为 5.37 GFLOPS，对照 DeepVQE 为 42.24 GFLOPS。小型化的代价是建模容量下降，论文在验证集上观察到零前视小模型在部分近端指标上弱于基线。
因果卷积 × 单向 GRU： 因果卷积的分工是把对称时间卷积改为左侧填充，使感受野只覆盖过去和当前帧，单向 GRU 的分工是去掉双向 GRU 的反向通路从而消除对整句未来的依赖，二者搭配的原因是非因果骨干的未来依赖同时来自卷积和循环两处，组合意义是两处同时因果化后系统才能逐帧流式运行。
复述时要区分参数量、算力和算法延迟这 3 个成本。参数量决定存储占用，GFLOPS 决定每秒运算量，算法延迟决定输出要等多久。三者是不同维度的部署成本，不能互相代替。
有限前视如何用可控延迟换质量？
为在不牺牲流式能力的前提下找回因果损失的质量，论文为小模型引入有限前视。做法是条件网络在处理当前帧之前先缓存未来若干帧的短时谱，把展开后的谱及其移位版本在通道维拼接。
再送入条件网络的第 1 个卷积，这样未来信息被编码进稳健特征，但网络输出仍对齐到当前帧。代价是引入等于前视帧数乘以帧移的额外算法延迟，系统仍是逐帧流式输出。
论文研究的前视帧数包括 0 到 3 帧，对应算法延迟从 32 ms 逐步增加到 40 ms、48 ms、56 ms。训练时数据加载也要配合改变，条件网络输入帧要多取未来若干帧。
而所有网络输出和干净目标仍对齐到当前帧，每个训练片段的输入窗口多追加前视帧数，目标窗口保持固定长度。确保未来上下文可用于条件网络但不泄漏进损失计算。
分组 GRU × 有限前视： 分组 GRU 的分工是把隐特征分成独立组并行处理以平方级削减参数量和算力，有限前视的分工是缓存少量未来帧拼接到条件网络输入以补偿因果化损失的信息，二者搭配的原因是小型化必然损失建模能力而少量延迟在很多应用可接受，组合意义是在保持流式能力的前提下用可控算法延迟换回质量。
这里容易误解的是前视不是把整个系统变回非因果。系统只是输出比输入滞后几帧，属于有限延迟流式。若应用只允许 32 ms 延迟，就只能用零前视版本。若允许 48 ms，就可以用 2 帧前视换取更高质量。
联合目标如何同时监督条件初值和最终输出？
训练采用与 DiffVQE 相同的联合目标，包含 3 项。第 1 项是作用于条件网络中间估计的复数压缩重构损失，起辅助监督作用。第 2 项是作用于系统最终输出的同样重构损失。
第 3 项是分数网络的去噪分数匹配损失，权重为系数。符号上第 1 项比较条件估计与干净谱，第 2 项比较最终估计与干净谱。第 3 项比较加噪估计的分数预测与归一化高斯噪声。
论文对实现细节有明确交代，为同时支持 1 步推理采样器和标准生成式逆向过程，分数网络在每步共享权重下被评估 2 次。1 次输入加噪后的条件网络输出，1 次输入加噪后的干净语音。
2 次使用相同的语音条件和相同高斯噪声，这种 2 次前向不是 2 个独立模型，而是同一组权重的 2 种输入。公式先解释符号与输入，再解释计算目标，条件谱和干净谱都是按帧对齐的频域目标。
\[J=J^{\mathrm{CC}}(\hat{\mathbf{S}}^{\mathrm{cond}}_{1:\ell},\mathbf{S}_{1:\ell})+J^{\mathrm{CC}}(\hat{\mathbf{S}}_{1:\ell},\mathbf{S}_{1:\ell})+\alpha J^{\mathrm{SM}}\left(\hat{\mathbf{S}}_{t,1:\ell},\frac{\mathbf{Z}_{1:\ell}}{\sigma_{t}}\right).\]原文未给出梯度截断或冻结的额外说明，因此复述时不猜哪条路径停止梯度，只说 3 项联合优化条件网络和分数网络。训练数据方面，训练集由 URGENT 语音噪声源经质量过滤后与合成 AEC 训练集混合。
总计约 623 h 训练数据，为覆盖单讲条件，部分样本去掉近端或远端分量。部分样本用非混响近端语音代替混响目标以降低学习难度，验证集用不同语料库合成以检验泛化。
在什么数据、什么指标和什么主观协议下比较？
实验条件需要按数据、指标和主观评测 3 部分核对。数据上所有模型在重采样到 16 kHz、帧长 512、帧移 128、平方根汉恩窗的同一时频前端下训练。频点从 257 补到 260，训练步数、批量和裁剪长度在论文中有完整给出。
基线 DeepVQE 和 DeepVQE-S 在同一训练集上重训相同轮数，使用原始批量和学习率。最终检查点按各自在验证集上的平均排名选择，这意味着比较的训练数据量级一致。但测试集的时延补偿存在因果与非因果差异。
指标上论文沿用前作套件，AECMOS 给出回声和其他质量在远端单讲、近端单讲和双讲下的分数。DNSMOS 给出整体、语音和背景噪声质量估计，验证集上还报告 PESQ、ESTOI 和音素相似度。
其中后者用于检测生成模型特有的幻觉，测试集上对所有非侵入式指标做标准竞赛排名得到平均排名。指标方向都是分数越高越好，平均排名越小越好。
AECMOS × DNSMOS： AECMOS 的分工是分别给出回声抑制和近端语音质量在远端单讲、近端单讲和双讲下的分数，DNSMOS 的分工是给出非侵入式整体质量及语音和背景噪声子分，二者搭配的原因是回声残留和语音损伤需要分开度量，组合意义是避免只看整体分而掩盖双讲保真度下降。
主观评测采用众包 P.808 和 P.831 听音测试，每个条件抽 50 个文件。抽样不是随机抽，而是迭代贪心移除文件，使每指标模型排名变化最小。这种子集选择保证主观分的分布接近全量测试集。
但复述时必须说明主观分只在子集上测得，不能当作全量人工分。子集策略对均值偏差加小惩罚，从而保持平均排名顺序并使绝对偏差可忽略。
大模型与小模型在盲测集上各赢在哪里？
比较问题是，在相同算法延迟和相近参数规模下，因果扩散模型能否在主观质量上超过已部署的判别基线。公平条件是因果大模型之间比、小模型之间比，客观指标看 AECMOS 和 DNSMOS。主观指标看 4 个 MOS 分量及平均 MOS，指标方向为客观分越高越好。
主观 MOS 越高越好，平均排名越小越好。下表整理论文直接报告的大模型和小模型零前视对照，保留了实际可运行的因果策略和已部署基线，便于 1 次核对参数量、算力和平均 MOS 的相对位置。
| 模型组 | 参数量 | 算力 | 平均 MOS | 关键对照 |
|---|---|---|---|---|
| 大模型本方法 | 5.1 M | 5.37 GFLOPS | 3.58 | 超过基线 |
| 大模型基线 | 5.3 M | 42.24 GFLOPS | 3.44 | 被超过 |
| 小模型本方法零前视 | 0.7 M | 2.57 GFLOPS | 3.55 | 超过基线 |
| 小模型基线 | 0.7 M | 3.12 GFLOPS | 3.37 | 被超过 |
| 小模型 2 帧前视 | 0.7 M | 2.59 GFLOPS | 3.62 | 接近大模型 |
表后解释需要同时给出收益与代价，大模型方面论文报告本方法在 4 个 MOS 指标上全部超过 DeepVQE。平均 MOS 为 3.58 对 3.44，且算力仅为对照的约 13%。但客观指标的平均排名为本方法 1.7 对基线 1.2。
说明客观排名并未取胜，优势主要体现在主观听感，单讲条件较强而双讲客观指标基线略好。小模型零前视方面，平均 MOS 为 3.55 对 3.37，算力为对照的 83%。客观平均排名为 4.1 对 4.0，非常接近，未胜出项必须保留。
多 8 ms 延迟能换多少质量：前视代价如何量化？
第二个比较问题是，前视每增加 1 帧，算法延迟增加 8 ms，质量是否单调上升。公平条件是同一小模型结构、同一测试集，只改变前视帧数和对应延迟。指标方向仍是 MOS 越高越好，延迟越小越好。
下表只整理同一 0.7 M 小模型在 0 到 3 帧前视下的延迟、算力和平均 MOS，用于判断用可控延迟换质量是否划算，表中延迟步长直接来自帧移 8 ms 的累加关系。
| 前视条件 | 算法延迟 | 参数量 | 算力 | 平均 MOS |
|---|---|---|---|---|
| 零帧前视 | 32 ms | 0.7 M | 2.57 GFLOPS | 3.55 |
| 1 帧前视 | 40 ms | 0.7 M | 2.58 GFLOPS | 3.52 |
| 2 帧前视 | 48 ms | 0.7 M | 2.59 GFLOPS | 3.62 |
| 3 帧前视 | 56 ms | 0.7 M | 2.60 GFLOPS | 3.66 |
总体趋势是前视越多性能越高，2 帧前视小模型平均 MOS 达到 3.62，与大模型的 3.58 相当。代价是延迟从 32 ms 增至 48 ms，但参数量仍为 0.7 M 对 5.1 M。
算力为 2.59 GFLOPS 对 5.37 GFLOPS，3 帧前视进一步到 3.66，但延迟到 56 ms。反例是并非每个客观子项都单调上升，论文也指出存在少数例外。因此不能把总体趋势推广为每组每步都成立。
前视从 0 到 3 帧时验证集曲线说明了什么？
本节导读该图的目的是在验证集上分离因果化损失与前视补偿，图的布局按行区分双讲与单讲条件。按列展示回声分数、其他质量、侵入式指标和整体质量，横轴为前视帧数。
图中同时包含零前视小模型、1 到 3 帧前视以及非因果参考，读图前需先确认图例中不同标记代表基线与本方法。纵轴均为原始指标分数，越高越好，不能把曲线向下直接理解为其他含义。
看图路径： 1. 先按行确认双讲与单讲、按列确认回声与其他质量及各类客观指标的布局；2. 再对比因果小模型随前视帧数变化的轨迹与两端基线标记的位置；3. 最后检查双讲整体质量与近端单讲整体质量是否随前视单调改善
论文图 3。原论文 Fig. 3:：“Influence of lookahead on \mathcalD_val performance in all conditions.”。
从可见内容看，所有模型的回声分数都处在很高区间，双讲回声和远端单讲回声达到 4.6 附近。说明回声压制本身已不是主要区分点，区分点在近端语音保持。双讲 Other 和近端单讲 Other 上判别基线占优，侵入式指标提供更细解释。
零前视时小模型在双讲 PESQ、音素相似度和可懂度上超过小基线，近端单讲小基线略好。大模型在双讲和近端单讲的全部侵入式指标上超过大基线，2 帧前视后小模型在单讲侵入式指标上也超过基线。双讲和近端单讲整体质量与基线持平，这一观察支持前视主要修复的是语音保真度。
哪些边界没有测，哪些结论不能推广？
论文直接报告的局限首先是因果化的客观代价，因果大模型相对非因果对照在多数客观指标上下降。主观平均 MOS 下降 0.1，从 3.68 到 3.58，这说明 1 步采样器加因果约束并未完全保留非因果上限。
低延迟是有代价的，其次是客观与主观不一致，大模型客观平均排名落后于基线，主观却领先。说明仅用 AECMOS 和 DNSMOS 选型会得出不同结论，实际部署应以听感和任务需求为准。
未验证的边界需要明确指出，论文未报告误判率、逐帧实时因子与真实设备延迟的完整测量。训练资源只给出单卡型号和步数，推理开销只用 GFLOPS 和算法延迟表示。输出帧率与实际延迟应分别讨论，不能从 GFLOPS 下降直接承诺端到端延迟同比例下降。
幻觉风险虽用音素相似度在验证集上监测，但盲测主观子集只有每条件 50 个文件。统计不确定性未给出置信区间，相关性不等于因果，还有条件不一致的细节。测试集对因果模型做了 GCC-PHAT 因果时延补偿，而非因果对照未做此处理。
因此跨因果与非因果的数值比较需要谨慎，论文把排名分成大因果组和小模型组分别计算。正是为了避免把不同延迟和不同规模混在一起排名，复述时不应跨组合并排名。
要复现应先固定哪些构造和训练细节？
复现先做数据与前端，按论文把训练语音噪声源与合成 AEC 训练集混合。注意单讲比例和混响目标替换比例，验证集用不同语料库合成以检验泛化。前端固定为 16 kHz、帧长 512、帧移 128。
平方根汉恩窗、频点补到 260，测试前对因果模型做因果时延补偿，并记录该步骤。否则双讲对齐误差会污染回声分，下表把数据总量、训练步数和模型选择等关键构造集中在一处。
| 环节 | 关键设置 | 规模 | 硬件 | 说明 |
|---|---|---|---|---|
| 数据总量 | 约 623 h | 混合合成 | 未报告 | 含质量过滤 |
| 训练步数 | 500 k steps | 批量 16 | 单卡专业卡 | 8 s 随机裁剪 |
| 学习率 | 3 阶段调度 | 预热恒定退火 | 同上 | 峰值与终值按原文 |
| 模型选择 | 验证集平均排名 | 最低排名 | 同上 | 按模型各自选择 |
| 主观验证 | 每条件 50 文件 | 贪心子集 | 众包 | 保持排名分布 |
表后说明复现的核对动作，训练用联合目标同时监督中间估计和最终输出。分数网络每步 2 次前向共享权重，条件网络输入在有前视时多取未来帧但目标窗口固定。
学习率 3 阶段为线性预热到峰值、恒定保持、余弦退火到终值，检查点按各自验证集平均排名最低选择。主观复现若资源有限，可先复现客观指标，再按论文的贪心子集策略抽取代表性子集做听音。缺项是论文未给出代码可用性验证，本次也未能确认资源可达，因此所有超参数只能按文字重设。
何时值得尝试这种因果扩散方案？
综合直接报告和有限解释，可以给出条件性判断。当应用允许 32 ms 算法延迟且算力受限时，零前视小模型在相同参数量和延迟下主观平均 MOS 超过小基线。同时算力更低，这种情况值得尝试，论文支持该判断。
当应用允许 48 ms 到 56 ms 延迟时，2 到 3 帧前视的小模型可用 0.7 M 参数达到大模型的主观水平。是性价比更高的实际可运行策略，延迟预算是使用前提，不满足则不能套用结论。
当必须追求客观双讲排名最优时，本方法的大模型并未超过基线。此时不应仅凭主观平均分做选型，还需结合双讲 Other、整体分和任务侧重的可懂度要求。还需补的验证包括更大规模盲测主观置信区间。
以及真实硬件上的逐帧耗时与端到端延迟，还有对未见房间和非线性扬声器的泛化测试。教学上最易产生的误解是把扩散等同于多次迭代慢采样，本文恰恰用 1 步分数评估把迭代成本降下来。速度优势来自 1 步采样加小型化，而质量优势来自判别初值加生成修正的混合设计。
📎 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