📄 把双声道听感搬到 5.1 声道：在哪个环节融合多声道信息
英文题目：Multichannel Audio Quality Assessment: Extending Pretrained Perceptual Models to Spatial Audio
标签：#音频质量评估 | #注意力机制 | #迁移学习 | #多通道
评分：6.6/10 | 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 1/1.5
👥 作者与机构
- Gouthaman KV：机构信息未在 arXiv HTML 中可靠披露
- Shiv Gehlot：机构信息未在 arXiv HTML 中可靠披露
- Vishnu Raj：机构信息未在 arXiv HTML 中可靠披露
- Lars Villemoes：机构信息未在 arXiv HTML 中可靠披露
- Arijit Biswas：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
面向5.1环绕声的参考型感知质量预测需要同时判断信号保真度与通道间空间关系，输入为参考与退化5.1对，输出为与主观平均意见分对齐的MUSHRA分数，难点在于预训练双通道模型无法直接消费高通道输入而重训又缺乏数据。作者以冻结的生成机器听众第二版为感知主干，先将5.1映射为前对LR、环绕对LsRs与中置C三个空间组并提取Gammatone特征，再由特征带组注意力按频带估计组权重并融合，最后用单次主干推理输出Beta分布参数映射为质量分。相比信号级下混与预测级平均，该机制在感知处理前保留时序与组内四分量结构并实现跨组联合建模，兼顾自适应与单次推理效率。在五个5.1通道测试集的整体评测下，FGAtt+GMLv2的Pearson相关系数为0.9063，高于Latent Agg+GMLv2的Pearson相关系数0.8875。高阶沉浸格式与声像偏移条件的泛化效果尚未验证，现有结论受限于编解码退化场景。该结论目前仅在5.1编解码退化与排除低频效应通道（LFE）条件下成立，未验证声像偏移与高阶沉浸格式。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
要解决的质量问题是什么？输入输出长什么样？
这篇论文研究的是有参考的 5.1 环绕声客观质量评价。输入是 1 对 5.1 信号：原始参考 5.1 和经过编码或处理的待评 5.1，声道集合记为左、前右、中置、低频、低频环绕左环绕右。输出是一个预测分，目标是逼近多人听音得到的主观平均分，论文用 MUSHRA 量表作为对齐目标。难点在于听感质量既取决于每声道波形保真度，也取决于声道之间的空间关系，例如前声场塌陷或环绕声丢失在单声道试听里可能不明显，但在 5.1 回放里很明显。
主观测试能直接测这种感受，但组织几十人听几百条、多轮编码条件非常贵且难以扩展。于是需要客观模型自动打分，用于编码器选型、码率取舍和增强算法调参。论文的起点是一个已经在单声道、立体声和双耳上表现很好的学习型模型 GMLv2，它最多只吃双声道，无法直接吃 5.1。直接把 5.1 压成双声道再套用旧模型，可能丢掉通道特异信息；逐通道打分再平均，又学不到通道交互。
为每种新声道格式重训大模型，则需要大量格式专属主观数据。论文要回答的是如何在不动原有听感知识的前提下，用最小的可学习接口把多声道信息送进冻结的双声道感知模型。
已有路线各卡在哪里？为什么要做分层比较？
按论文梳理，已有做法可分为 3 类。第一类是传统信号比较型指标，例如 PEAQ 和 ViSQOL，它们用预设的听觉表示和信号比较流程，不需要大规模主观数据训练，但在空间音频上的相关性不如学习型表示。第二类是学习型表示，例如 InSE-NET 和 GML 系列，直接从主观质量数据学习表示，与人判断更一致，但 GMLv2 只支持单声道、立体声和双耳。第 3 类是把多声道硬塞进双声道模型的工程做法，包括下混、双耳化和逐通道预测平均。
论文指出下混和双耳化是固定信号域规则，当不同通道损伤特性不同时可能丢掉感知相关空间信息，而且声道数越多越难设计合适的固定变换；逐通道预测平均则在独立处理后才合并，建模不了通道交互，还要为每个通道或每组各跑 1 次主干，计算量随通道数增长。另一条路是为多声道从头训练独立模型，能学交互但需要海量格式专属主观数据，且每来一种新格式就要重学一遍听感知识。
正是这种可扩展性矛盾，促使论文把同一冻结主干下的 4 种融合位置摆到同一框架下比较：信号级变换、预测级平均、隐变量级加权、特征级融合，从而分离出融合位置和融合粒度各自的作用。
任务形式化：冻结什么、学习什么、在哪里融合？
论文把问题写成在冻结 GMLv2 主干条件下选择融合算子。记参考多声道为参考信号，待评多声道为退化信号，质量预测写成以融合算子为条件的函数，融合算子下标区分 4 个层级。GMLv2 本身的流程是：对左右两声道构造左、右、和、差 4 个分量，对每个分量提 Gammatone 特征，把参考与退化配对后沿分量维拼接，送入神经网络预测贝塔分布参数，再映射到 MUSHRA 分。
扩展到 5.1 时，论文统一去掉低频效应声道，理由是编码器常切掉该声道参考能量中高于标准 120 Hz 截止的部分，若不去掉会在回放端低音管理本会滤掉的情况下造成虚假扣分。剩下的 5 个声道按空间分组为 3 组：前对、环绕对和中置。每对双声道组同样构造和差四分量，单中置按主干单声道输入流程复制处理，每组独立提 Gammatone 特征，得到每组形状为 4 乘 32 乘时间的张量，其中 32 是 Gammatone 频带数。4 个层级的含义是：信号级在进特征前把 5.1 变成双声道。
预测级让主干对每通道或每组独立打分再平均；隐变量级让每组独立过感知网络到隐向量再加权；特征级在进感知网络前把各组特征按频带加权融合成一组特征再 1 次过主干。前两者直接复用冻结模型不学习，后两者学习融合权重而主干保持冻结。
四种融合如何串进同一条 GMLv2 流水线？
沿一条样本走完全程有助于看清差异。取 1 对 5.1 参考与退化，先去掉低频声道，剩下五声道按 3 组组织。对信号级路线，用 ITU 下混或双耳化器把五声道压成双声道，后续完全走原生 GMLv2。对预测级路线，单声道版本把每个声道当单声道输入各打 1 次分再平均，成组版本把 3 组各当双声道或单声道输入各打 1 次分再平均。对隐变量级路线，3 组各走 1 次冻结感知网络得到隐向量，再用学到的注意力权重加权平均后送入冻结预测头。
对特征级 FGAtt 路线，3 组特征在进感知网络前按频带加权融合成一组特征，只跑 1 次冻结主干和预测头。论文用统一公式表达这种在不同位置插入融合算子的思想，先交代符号与输入，再讲计算目标。
感知主干 × 多声道融合： 感知主干指冻结的 GMLv2 网络，负责把 Gammatone 特征映射为 MUSHRA 质量分数，保留已学到的听感知识；多声道融合指把 5.1 声道信息整理成主干可接受的双声道兼容形式的操作，二者搭配的理由是主干不能直接吃六声道，而重训多声道大模型又缺数据，因此用轻量融合做接口，让主干一次前向就能联合处理多组空间信息。
\[\hat{q}=\mathcal{F}_{\phi}\left(\mathbf{x}^{r},\mathbf{x}^{d};A_{\theta}^{(l)}\right),\vskip-5.69054pt\]该式中参考与退化多声道是输入，融合算子决定在信号、预测、隐变量还是特征位置介入，冻结主干输出预测质量分。理解该式的关键是参数冻结与学习分离：主干参数不动，只有融合模块参数可学，监督来自原 GMLv2 训练目标对应的主观质量目标。这种设计把听感知识复用与空间适配解耦，新增参数只负责空间组如何组合，不重学听觉滤波与质量映射。
隐变量加权与特征带注意力具体算什么？
两类可学习方法共享同一空间分组与特征形状，但计算位置不同。隐变量聚合的做法是每组独立得到感知隐向量后，用一个可学习的投影加双曲正切得到隐状态，再与上下文向量点积得到分数，经组间归一化得到权重，最后加权平均隐向量送入冻结预测头。它的优点是保留了每组内的感知处理并学到组贡献，但组间在感知网络内不见面，且需要每组 1 次主干推理。特征级 FGAtt 则坚持 3 个原则：时间池化只用于估计注意力，融合时仍用原始时间分辨特征。
组重要性从四分量联合推断，保留主干期望的和差结构；用跨组跨频带共享的多层感知机打分并在每频带内归一化。具体先对每组特征沿时间平均，保留 4 乘频带形状，在每个频带取 4 维向量送入共享多层感知机得标量分，跨组归一化得每频带权重，再把同一权重乘到该组该频带全部 4 个分量和全部时间帧上。参考与退化的融合各自独立按各自特征算权重，融合成一组参考特征与一组退化特征后拼接进单次冻结主干。
空间分组 × 四分量表示： 空间分组指把 5.1 声道按前后关系划为前对 LR、环绕对 LsRs 和中置 C 三组，分工是保留声道间的空间身份；四分量表示指每对双声道组构造成[x1,x2,(x1+x2)/2,(x1-x2)/2]，分工是对齐 GMLv2 期望的和差结构，二者组合的意义是每组都变成主干原生支持的输入形状，既不丢组内和差关系，又为后续按组加权提供统一比较单位。
\[\mathbf{S}^{(g)}=\frac{1}{D}\sum_{d=1}^{D}\mathbf{X}^{(g)}_{:,:,d}\in\mathbb{R}^{4\times F},\vskip-5.69054pt\]上式是时间平均，只为估计注意力而压缩时间，保留分量与频带维度。
隐变量聚合 × 特征带组注意力： 隐变量聚合指每组独立过冻结主干得到感知隐向量后再学权重加权，分工是学各组对最终分数的贡献；特征带组注意力指在进主干前对每条 Gammatone 频带学一组权重再融合特征，分工是让主干能联合看到跨组信息，二者搭配比较的意义在于揭示融合时机差异：后者在感知处理前融合只需一次主干推理并保留跨组交互，前者在感知处理后融合则需多次推理且组间不见面。
\[\alpha^{(g)}_{f}=\frac{\exp\!\left(e^{(g)}_{f}\right)}{\displaystyle\sum_{g^{\prime}\in\mathcal{G}}\exp\!\left(e^{(g^{\prime})}_{f}\right)},\hskip 18.49988pt\sum_{g\in\mathcal{G}}\alpha^{(g)}_{f}=1.\]上式是每频带跨组归一化，保证同一频带各组权重和为 1，使权重可解释为相对贡献。
\[\mathbf{X}^{\mathrm{FGAtt}}_{:,f,d}=\sum_{g\in\mathcal{G}}\alpha^{(g)}_{f}\mathbf{X}^{(g)}_{:,f,d}.\vskip-5.69054pt\]上式是把权重作用回原始时间分辨特征，同一组同一频带的 4 个分量共享权重，从而调整组贡献而不破坏组内兼容结构。举例说，若某频带环绕组损伤重而前组干净，网络可给前组更高权重，让送入主干的融合表示在该频带更偏向前组；换一条样本或换一频带，权重会随输入变化，这正是固定下混做不到的自适应。
训练数据从哪来？冻结与优化如何分工？
论文为 5.1 专门组织了训练语料，约 26 小时 5.1 音频、约 21,000 条带主观分的样本，来自多年多声道编码研发中积累的 75 个 MUSHRA 测试，覆盖杜比数字、HE-AAC、杜比数字增强版和 AC-4 等多代编码技术、多种码率与质量档。这种量级对多声道主观数据而言已属可观，但仍远小于从头训练大感知模型所需，因此论文冻结 GMLv2 主干，只优化融合模块。优化目标沿用原 GMLv2 训练目标，优化器用 AdamW，学习率为 0.001，用 PyTorch 在两块英伟达 A10 上训练。
需要如实指出缺项：原文没有报告训练轮数、批量大小、验证划分、早停与随机种子，也没有给出融合模块参数量与训练时长，因此无法从论文复算收敛性与训练成本。监督来源是 MUSHRA 主观分，梯度只流经注意力或聚合权重，不更新主干。推理时信号级与特征级只需 1 次主干前向，预测级与隐变量级需多次主干前向，论文明确指出后者计算量随通道或组数增长。
低频声道在训练与评测中统一去掉，避免编码器切高频带来的虚假惩罚，这是一个贯穿全实验的固定预处理条件。
若要复现训练与推理，先后顺序是什么？
复现应先做数据与预处理，再做融合模块，最后做评测。第一步按论文条件去掉低频声道，把 5.1 组织为前对、环绕对、中置 3 组，对双声道组构造和差四分量，对中置按单声道流程复制，然后提 32 带 Gammatone 特征。第二步冻结 GMLv2 全部参数，只初始化并训练 FGAtt 的共享多层感知机与相关投影，监督用 MUSHRA 主观分并沿用原 GMLv2 目标，优化器选 AdamW、学习率 0.001，硬件参考为两块 A10，但批量、轮数与早停需自行补验证划分后调参，因为原文未报告。
第三步推理时对参考与退化各自算每频带组权重，用原始时间分辨特征加权融合成一组，再 1 次过冻结主干得预测分。核对点包括：是否统一去低频、组定义是否与论文一致、权重是否在每频带内归一化且四分量共享、参考与退化是否各自独立算权重。常见误解是把冻结主干等同于输出确定，实际上注意力权重随输入变化，且数据划分与初始化仍带来随机性；另一个误解是把无训练的信号级路线当成最优，论文显示它在 T4 与 T5 明显弱于可学习路线。
在哪些数据与基线上测？指标如何读？
评测用 5 个独立 5.1 主观集共 428 条。其中三集来自 MPEG 环绕声验证测试，每集 10 条 5.1 片段，覆盖氛围、爵士、现代、管弦与流行，听音人数分别为 39、35 和 18，编码场景包括面向广播的层 2 加环绕、杜比定向逻辑、HE-AAC 多声道等不同码率点。另两集是内部听音，由 14 条沉浸式 7.1.4 片段抽取对应 5.1 声道构成，听音人数分别为 14 和 13，编码器包括 Opus、AAC、HE-AAC、基于 MPEG 环绕的系统、杜比数字增强版与杜比数字，码率从 96 到 384 千比特每秒不等。信号级实验用 ITU 下混与 Binamix 双耳化器，可学习方法在上述训练集上训练。
对比基线包括单声道扩展的 Zimtohrli 逐通道平均、下混加 PEAQ、双耳加 PEAQ、下混加 ViSQOL、双耳加 ViSQOL，以及 GMLv2 下的单声道预测级、分组预测级、下混、双耳、隐变量聚合与 FGAtt。评价指标为预测分与主观分之间的 PCC 与 SCC，越高表示越一致。
PCC × SCC： PCC 指预测分与主观分之间的皮尔逊线性相关，分工是衡量数值贴合直线的程度；SCC 指斯皮尔曼排序相关，分工是衡量排序单调一致性而不要求线性，二者搭配的原因是音频质量既要分数接近也要排序不错，论文同时报告两者可避免只看线性拟合而忽略排序翻转。
读数时要注意数据集、模型、指标与聚合对象必须同时对齐：总体相关是在五集汇合样本上计算，不同于五集各自相关的平均；同一数值出现在不同指标下不代表同一含义，百分点差与相对百分比也不同。硬件预算方面原文只交代训练用两块 A10，未报告推理延迟与每条耗时，因此不能把相关性提升直接等同于部署更快。
复现评测要锁死哪些条件才能可比？
可比性来自锁死数据集、基线、阶段、指标与聚合对象。数据集要用同样的五集划分与听音人数，不能只挑 T3 这种下混最强的子集报告；基线至少保留分组预测级、下混加 GMLv2 与隐变量聚合，否则无法分离组结构、固定变换与可学习融合各自的贡献；阶段要区分训练集与 5 个独立测试集，论文的可学习方法只在独立训练语料上训练，测试集不参与训练；指标同时看 PCC 与 SCC，因为 ViSQOL 结果显示下混 PCC 更高而双耳 SCC 更高，只看其一会误判。
聚合对象要注明总体是汇合样本计算而非五集平均。单位方面相关系数为裸值无百分号，不能自行添百分号或四舍五入，原文字数如 0.9063 应保留 4 位小数。统计方面原文未给显著性方法，复现时应补自助置信区间与按集显著性，并报告多次种子的均值方差。成本方面应实测单条推理耗时与显存，分别报告训练资源、推理开销与实际延迟，避免把 1 次主干推理直接等同于端到端更快。
哪种融合总体最强？代价与反例是什么？
比较问题是：在冻结同一 GMLv2、统一去掉低频声道的公平条件下，哪种融合位置的总体相关最高，代价是什么。指标方向是 PCC 与 SCC 越高越好。下表整理总体相关，保留可实际运行的基线与待验证策略，Zimtohrli 逐通道平均与 ViSQOL 组合作为外部参照，GMLv2 各融合作为同主干对照。
| 条件 | 指标 | 外部基线 | 可运行 GMLv2 对照 | 本方法 FGAtt |
|---|---|---|---|---|
| 总体汇合五集 | PCC | 0.7763 | 0.7464, 0.8131, 0.8623, 0.8045, 0.8875 | 0.9063 |
| 总体汇合五集 | SCC | 0.6872 | 0.5249, 0.7731, 0.7839, 0.7564, 0.7995 | 0.8303 |
| 总体 ViSQOL 参照 | PCC/SCC | 0.8573/0.7455, 0.8395/0.8066 | 包含在上列对照中 | 见上 |
| 总体 PEAQ 参照 | PCC/SCC | 0.4667/0.5944, 0.4051/0.5112 | 包含在上列对照中 | 见上 |
表中总体 PCC 一行依次对应 Zimtohrli 总体 0.7763，单声道预测级 0.7464，分组预测级 0.8131，下混加 GMLv2 的 0.8623，双耳加 GMLv2 的 0.8045，隐变量聚合 0.8875，FGAtt 的 0.9063；SCC 一行对应 0.6872，0.5249，0.7731，0.7839，0.7564，0.7995，0.8303；ViSQOL 两行对应下混 0.8573/0.7455 与双耳 0.8395/0.8066；PEAQ 两行对应下混 0.4667/0.5944 与双耳 0.4051/0.5112。表后解释是：FGAtt 报告显示总体最强，相对隐变量聚合有提升，且只需 1 次主干推理，而隐变量聚合需每组 1 次推理。
分组预测级相对单声道预测级从 0.7464/0.5249 提升到 0.8131/0.7731，支持保留空间组结构比逐通道独立更有效；下混加 GMLv2 的 0.8623/0.7839 明显高于双耳加 GMLv2 的 0.8045/0.7564，支持下混表示与冻结 GMLv2 更兼容。代价与反例是：FGAtt 需要 5.1 主观数据训练融合模块，不是零样本直接套用；PEAQ 组合总体明显偏低，说明底层感知模型选择影响很大；Zimtohrli 逐通道平均需每通道 1 次评测且不建模通道交互，计算量随通道线性增长。
ITU 下混 × 双耳化： ITU 下混指按固定系数把多声道线性叠成双声道的信号级变换，分工是简单兼容双声道模型；双耳化指用头相关变换模拟双耳听感的信号级变换，分工是保留一定的空间听感线索，二者组合对照的意义是检验固定信号变换是否足够，论文显示它们都不随输入自适应，因此在通道损伤不均匀时不如可学习的特征级融合稳定。
看图路径： 1. 先看每子图横轴 MUSHRA 真值与纵轴预测值的散点是否贴近虚线对角线；2. 再对比左上单声道预测级与右下 FGAtt 在低分区间的垂直拖尾长短；3. 最后核对每子图左上角标注的 PCC 与 SCC 是否与正文总体数一致
论文图 1。原论文 Figure 1:：“Overall correlation between predicted and ground-truth MUSHRA scores across GMLv2 spatial aggregation strategies. The dashed line denotes the identity function.”。
该图为 6 个 GMLv2 融合策略的预测分对 MUSHRA 真值散点，虚线为对角线理想线。从像素可见，横轴为 MUSHRA 真值 0 到 100，纵轴为预测值，右下 FGAtt 点云最紧贴对角线，低分段约 20 附近的小簇垂直拖尾最短；左上单声道预测级在低分段出现明显垂直条带，偏离对角线最远；中间下混与隐变量聚合居中。图注与正文一致指出越贴近对角线总体一致性越好，FGAtt 一致性最强，但像素无法精确读出每点数值，定量仍以表中 PCC 与 SCC 为准。
注意力粒度与分集行为支持什么？哪里不如固定下混？
要回答的第二个问题是特征级注意力的粒度是否关键，以及 FGAtt 是否在所有子集都赢。指标仍是 PCC 与 SCC 越高越好。下表先看分集，再看消融，条件均为冻结 GMLv2 且去掉低频声道。
| 条件 | 指标 | ITU 下混加 GMLv2 | FGAtt | 消融对照 |
|---|---|---|---|---|
| T1 至 T3 分集 | PCC | 0.9247, 0.9213, 0.9488 | 0.9001, 0.9207, 0.9106 | 去频带 0.8912, 组内细分 0.8803 |
| T1 至 T3 分集 | SCC | 0.8759, 0.8916, 0.8893 | 0.8541, 0.8880, 0.8809 | 去频带 0.8128, 组内细分 0.8045 |
| T4 至 T5 分集 | PCC | 0.8493, 0.7976 | 0.9142, 0.9415 | 同上总体消融 |
| T4 至 T5 分集 | SCC | 0.7844, 0.6891 | 0.7889, 0.8616 | 同上总体消融 |
| 总体消融 | PCC/SCC | 基线见上表 | 0.9063/0.8303 | 0.8912/0.8128, 0.8803/0.8045 |
表后解释是：分集结果报告显示互补行为，ITU 下混在 T1 至 T3 分别达 0.9247/0.8759、0.9213/0.8916、0.9488/0.8893，同期 FGAtt 为 0.9001/0.8541、0.9207/0.8880、0.9106/0.8809，即下混在前三集占优；但在 T4 下混掉到 0.8493/0.7844 而 FGAtt 为 0.9142/0.7889，在 T5 下混为 0.7976/0.6891 而 FGAtt 为 0.9415/0.8616，支持自适应特征融合跨集更一致。论文对此的有限解释是固定下混在合并多通道时可能压缩空间局部信息，而 FGAtt 按频带自适应保留各组贡献，但注意权重不直接定位失真位置，这属于机制解释而非因果证明。消融显示去掉频带维后总体从 0.9063/0.8303 降到 0.8912/0.8128，支持按频带分配组权重有益。
进一步把组内四分量也拆开单独加权后为 0.8803/0.8045，反而低于 FGAtt，支持保留组内兼容结构、不做组内细分的当前选择。未胜出项必须点名：FGAtt 在 T1 至 T3 并未超过固定下混，若部署场景集中在类似 T1 至 T3 的广播编码，下混仍是更简单的强基线。
证据边界与未验证的推测有哪些？
论文直接报告的是 5 个 5.1 测试集上的相关性提升与消融排序，这部分有数字支持。有限解释是关于为什么 FGAtt 在 T4 与 T5 更强，论文用自适应保留空间贡献来解释，这与分集数字一致，但没有直接测量注意力与失真位置的对应，也没有做因果干预，因此只能表述为支持而非证明。未验证的推测包括向 7.1.4 等更丰富格式的扩展，论文称只需定义合适分组与兼容表示即可，但原文没有给出 7.1.4 实验，因此不能承诺同样收益。
缺失证据不是技术错误，但复现时要补：没有显著性检验与置信区间，不知道 0.9063 相对 0.8875 的差距是否稳定；没有误判率、延迟与算力实测，不能说 FGAtt 降低了部署成本，只能说它把多次主干推理降为 1 次，但多了特征注意力计算；训练语料虽覆盖多代编码器，但评测仍以编码损伤为主，对增强、修复或渲染失真的泛化未评测。总体趋势不等于每组每步都成立，T1 至 T3 的反例已说明固定下混在特定分布下仍强。
手头只有双声道模型时，何时值得试 FGAtt？
当已有高质量双声道感知模型且无力为每种多声道格式重训大模型时，特征级适配值得优先试。先做的是用 ITU 下混加冻结模型跑通全流程并记录五集或自有集的 PCC 与 SCC，作为简单强基线；再实现分组预测级，验证组结构是否带来提升；然后实现隐变量加权，确认可学习组权重是否超过固定平均；最后实现 FGAtt，验证 1 次主干推理能否在保持或提升相关性的同时减少多次推理。
还需补的验证包括跨编码器与跨内容的稳定性、注意力权重随频带的变化是否可重复、去掉低频声道的消融，以及在自有数据上的盲测。关于可用性，原文证据中资源状态为未发现可验证的公开资源，因此不能写代码、模型或数据已公开，复现需按方法节自行实现特征提取、分组与注意力。区分三者很重要：代码开源指可运行仓库，权重下载指可直接推理，主干可运行指接口兼容，论文只保证了方法描述与冻结主干的接口思想，未给出可下载产物承诺。
结论如何收束？下一步该补什么实验？
综合全文，论文在同一冻结 GMLv2 下比较了 4 个融合层级，提出隐变量加权与特征带组注意力两种可学习接口，总体证据指向特征级、自适应、按频带分配组权重且保留组内和差结构的设计最有效，总体达 0.9063/0.8303 并在 T4 与 T5 明显超过固定下混。这种判断的适用条件是 5.1 编码损伤、去掉低频声道、冻结 GMLv2，一旦换格式、换损伤类型或换主干，排序可能变化。下一步最该补的是显著性与不确定性、推理成本实测、注意力可解释性与 7.1.4 等格式的真实评测，以及在增强与空间渲染失真上的泛化。
对于刚入门的研究生，可复述的方法链是：五声道分组、四分量对齐、32 带特征、时间池化估计每频带组权重、加权融合后 1 次过冻结主干，而关键对照是固定下混在 T1 至 T3 仍强，说明自适应的价值体现在跨分布一致性而非每集必胜。
📎 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