📄 以自由场为参照系：PG-SELD 用配对蒸馏约束混响表示
英文题目：PG-SELD: Physics-Guided Sound Event Localization and Detection
标签：#联合声音事件检测定位 | #知识蒸馏 | #课程学习 | #鲁棒性 | #空间音频信号
评分：6.0/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5
👥 作者与机构
- Elad Cohen：机构信息未在 arXiv HTML 中可靠披露
- Elad Dror Cohen：机构信息未在 arXiv HTML 中可靠披露
- Arnon Netzer：机构信息未在 arXiv HTML 中可靠披露
- Hai Victor Habi：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
声音事件定位与检测需从多通道音频同时输出事件类别活动与到达方向，混响会扭曲空间线索并使模型过拟合特定房间。该文先在按自由场远场模型大规模合成的数据上预训练同架构教师，再对同一声学场景成对渲染混响输入与自由场输入，冻结教师处理自由场分支，学生处理按课程调度的输入，在主干输出经可学习投影矩阵以余弦距离向教师表征对齐。总损失为多活动笛卡尔到达方向均方误差加权重为0.5的蒸馏损失，训练期配对内同步增强，课程从全自由场渐变为全混响，结束后在STARSS23实录上微调。与仅扩大多样性的多房间仿真和增强不同，该机制显式以无房间参考约束中间表征，推理时丢弃教师与投影而无额外开销。在STARSS23测试集上CNN-Conformer聚合指标由0.384降至0.361，SELDNet定位误差由31.4°降至20.0°，合成验证集上亦全面改善。在STARSS23测试集下，PG-SELD的CNN-Conformer聚合指标为0.361，低于基线的聚合指标0.384。该结论的适用边界受限于一阶Ambisonics格式、1分钟场景、最多3声源，且在训练房间高度多样后附加增益收窄，跨阵列与强噪声下的失败条件尚未验证。原文未披露训练推理成本与开源产物。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
输入是什么，输出是什么，为什么换房间就会变差？
本文的研究对象是声音事件定位与检测。输入是麦克风阵列采集的多通道音频，输出是每段时间帧内出现的声音类别及其到达方向。到达方向常用方位角与俯仰角表示，方位角描述水平环绕方向，俯仰角描述上下方向。研究生刚进入该领域时容易把任务理解为分类加回归的简单拼接，但原文强调的难点在于声学环境变化。混响、噪声、麦克风特性与房间几何都会扭曲定位线索，使模型学到与特定房间绑定的特征，换到未见房间时性能下降。
声音事件定位与检测 × 到达方向： 声音事件定位与检测负责同时回答何时出现何种声音事件，到达方向负责回答声源相对阵列的方位角与俯仰角，二者搭配的原因是仅有类别无法支撑空间感知，仅有方向无法区分事件语义，组合意义是形成统一的时空声场景描述。
为说明房间因素，原文区分两种传播条件。自由场只考虑直达声，空间线索干净且与房间无关。混响房间则包含直达加多次反射，传递函数同时携带房间几何与反射特性。原文指出，收集带准确空间标注的真实多通道录音成本高，因此系统高度依赖合成数据或实测空间脉冲响应生成的数据，但这类数据可能让模型学到渲染器或房间特有的痕迹。已有增强与多房间仿真增加了多样性，但没有显式约束表示与房间无关。
自由场模型 × 混响： 自由场模型分工是只保留直达传播的延迟与幅度关系，提供与房间无关的空间线索参照，混响分工是引入直达加多次反射的房间相关传播，使线索失真，二者搭配的理由是同一声源配置下两者差异恰好隔离了房间因素，组合意义是为学习房间鲁棒表示提供可对照的配对条件。
本解读的输入是论文标题给定的 PG-SELD 方法与 STARSS23 基准实验，目标是让读者能复述配对构造、对齐位置、损失组成与训练流程。必须保留的信息包括自由场与混响配对的相同点与不同点、教师冻结与学生更新的分工、主干输出对齐的位置、蒸馏权重与课程策略。输出是 1 篇可核对的方法复述，不做超出原文的性能断言。资源状态方面，本次未发现来源绑定且完成超文本传输安全协议状态验证的资源，因此不得声称代码、模型或数据已公开。
已有路线做了什么，本文在哪个环节加约束？
按同输入、同目标、同监督作对照，原文提到的相关路线可分为 3 类。第一类是数据增强与多房间仿真，包括空间变换、通道操作、频率扰动、信号混合，以及改变房间几何、混响与声源配置。这类方法输入仍是混响或仿真音频，目标仍是标准定位与检测损失，作用是扩大数据分布，但不直接约束中间表示。第二类是合成加真实联合训练与大规模预训练，依靠更多数据覆盖差异，同样不显式要求混响表示靠近某种房间无关参照。第 3 类是近期针对环境鲁棒性的工作，原文点名回声感知特征适配、物理信息空间正则、低资源音视频蒸馏，说明在特征或正则层面加约束已有先例。
本文的位置是在训练阶段增加一个房间无关参照。具体做法不是换主干网络，而是为同一声场景构造自由场与混响两种渲染，用自由场分支的中间表示去正则混响分支的中间表示。原文明确称该框架与模型无关，不增加推理成本，可接入已有定位与检测架构。理解这一点可以避免一个常见误解：PG-SELD 不是一种新的定位头或新的声学特征，而是一种训练框架加正则项。
要解决的具体问题与可验证的对照是什么？
具体问题是模型在训练房间之外泛化不足。原文的假设是混响引入了环境特有的表征偏差，模型容易利用这些偏差走捷径。验证该问题需要控制比较：相同的混响训练数据、相同的优化器与增强，仅是否加入物理引导蒸馏不同，再分别在合成混响验证集与真实 STARSS23 测试集上评估。若加入约束后综合指标下降，则支持该约束有助于保留事件与定位相关信息并抑制房间相关成分。
指标方面原文采用标准联合定位检测指标并做宏平均，包括位置相关的检测分数与错误率，以及类别相关的定位召回与定位误差，并用四者等权重的聚合指标做模型比较与超参数选择。方向上检测分数与定位召回越高越好，错误率与定位误差越低越好，聚合指标越低越好。需要提醒的是，数值相同不代表同一指标，百分点与相对百分比不同，不同指标的差值也不能混入同一列比较。
PG-SELD 全景：一个样本如何走完输入到输出？
先沿一个训练样本走完全程。假设有一个声场景，包含源信号、事件活动与空间配置。第一步是用同一组源信号与方向渲染两个阵列响应：一个经过房间脉冲响应得到混响输入，一个按自由场直达模型得到自由场输入。两者共享事件类别、起止时间与方向，仅传播条件不同。第二步是双分支前向：冻结的自由场教师处理自由场输入，待训练的学生处理按课程策略选择的输入。
第三步是在主干输出、预测头之前取出高层表示，做带投影矩阵的余弦相似度对齐。第四步是把标准定位与检测损失与蒸馏损失加权求和，逐帧计算后按时间平均，用于更新学生与投影矩阵。推理时只用学生主干加预测头，投影矩阵丢弃，不增加推理成本。
全景中有两个关键选择需要记住。第一，对齐位置选在主干输出而不是浅层，因为该层编码更高层的语义与空间信息，受低层声学变化主导的程度较低。第二，教师参数冻结且自由场表示做截断处理，梯度只流向学生与投影矩阵，避免教师被混响污染。原文还强调学生从未直接见到教师的大规模自由场数据集，知识只通过特征级正则传递。
配对构造与特征对齐：符号、计算与冻结关系
自由场分支的物理依据是远场直达模型。符号含义是源到第个麦克风的传递函数由幅度因子与相对传播延迟决定，延迟是方位角与俯仰角的函数。该式的计算目标是给出与房间无关的阵列响应生成规则，原文用它合成教师预训练数据，也用它为每个混响场景生成配对的自由场对照。实现上方位角与俯仰角按均匀采样覆盖大范围方向，细节见实验条件一节的表格。
\[\displaystyle\left[{H_{q}(f)}\right]_{m}=A\exp\!\left[-j\,2\pi f\tau_{m}(\phi_{q},\theta_{q})\right],\]对齐对象的符号需要分清。学生第层表示记为混响输入的函数，参数为待训练参数。教师对应层表示记为自由场输入的函数，参数为冻结参数。两者的坐标系可能因独立优化而错位，因此引入投影矩阵对学生表示做线性校正。计算目标是最大化校正后学生表示与教师表示的余弦相似度，损失写成一减余弦值。原文明确对齐在主干输出、预测头之前执行，教师保持冻结，自由场表示保持截断。
\[\displaystyle\bm{z}_{rev}\left(\Omega\right)=\bm{f}_{l}\left(\bm{x}_{rev};\Omega\right),\quad\text{and}\quad\bm{z}_{ff}=\bm{g}_{l}\left(\bm{x}_{ff};\Omega_{g}\right)\]物理引导知识蒸馏 × 课程学习： 物理引导知识蒸馏分工是在主干输出层面对齐混响学生表示与自由场教师表示，减少房间敏感性，课程学习分工是按概率逐步把学生输入从自由场切换到混响，先学可控条件再适应真实混响，搭配原因是直接对齐强混响难度大，组合意义是先建立干净映射再渐进保持对齐。
教师模型 × 学生模型： 教师模型分工是在大规模自由场合成数据上预训练并冻结，提供房间无关的参考表示，学生模型分工是接收自由场或混响输入并更新参数以完成定位与检测任务，搭配原因是两者结构相同但优化声学条件不同，组合意义是知识只通过特征正则项传递而不让学生直接见到教师的大规模数据。
关于图示，原文配有知识蒸馏结构图与特征可视化图，但本次没有收到任何图像像素，因此不能描述坐标轴、颜色、曲线位置或模块排布，只能依据图注与正文归因引用：结构图用于说明教师与学生双分支及主干级蒸馏，可视化图用于说明加入正则后混响特征更接近自由场特征。像素不能精确辨别的数值不硬写。
训练如何组织：任务损失、总目标与课程切换？
任务损失采用多轨多活动笛卡尔坐标到达方向表示，配合辅助复制排列不变训练框架，以均方误差为任务损失函数。原文给出学生训练的总目标是标准定位与检测损失加蒸馏权重乘以物理引导蒸馏损失，两项损失逐帧计算并按时间平均。蒸馏权重在全部实验中取固定值，具体取值与消融见后文表格。该式的符号中待训练参数与投影矩阵是优化对象，教师参数不在其中。
\[\displaystyle\mathcal{L}\left(\Omega,\mathbf{W}\right)=\mathcal{L}_{\mathrm{SELD}}\left(\Omega\right)+\lambda\mathcal{L}_{\mathrm{PGKD}}\left(\Omega,\mathbf{W}\right),\]课程策略解决从干净到混响的过渡。每个训练样本包含配对的混响输入与自由场输入，冻结教师始终处理自由场输入，学生输入按概率选择。训练早期学生几乎只见自由场输入，先在可控条件下学习，再逐步转向几乎只见混响输入，渐进适应真实混响录音。原文同时要求配对内的随机增强保持同步，避免因增强不一致破坏配对关系。
多通道声学强度向量 × 对数梅尔谱： 对数梅尔谱分工是提供四通道的时频能量语义信息，声学强度向量分工是提供三通道的归一化空间方向线索，搭配原因是语义分支不足以定位，空间分支不足以分类，组合意义是拼接后同时支撑事件检测与方向估计。
特征与分段方面，自由场与混响录音先按麦克风域信号生成，再转为 4 通道 1 阶 Ambisonics，采样率为 24 kHz，然后拼接 4 通道对数梅尔谱与 3 通道归一化声学强度向量。训练时录音切分为固定长度片段并有 50% 重叠，推理时不使用重叠。优化器统一用 AdamW，学习率在最后 10 个回合降为十分之一，微调阶段用更小的学习率再训练 30 个回合。
复现训练预算：优化器、增强与同步要求
复现时先按主干设置基础学习率与批量。原文给出批量 64、100 回合、AdamW，以及分主干的基础学习率，最后 10 回合降为十分之一。增强包括音频通道交换、频谱增强与频率偏移，关键是配对内所有随机增强保持同步，否则自由场与混响输入的空间变换不一致会破坏配对语义。蒸馏权重取 0.5，微调阶段在 STARSS23 训练划分上再训练 30 回合，使用 0.1 倍基础学习率。
下表把可执行的预算整理为检查清单，数字与单位来自连续原句。表前问题是复现时哪些超参数必须原样保留才能对齐原文条件，公平条件是 3 阶段划分与增强同步，表后说明遗漏同步会导致的不可比风险。
| 阶段 | 批量与回合 | 学习率 | 增强与同步 | 蒸馏权重 |
|---|---|---|---|---|
| 教师预训练 | 大规模自由场 | 按主干设置 | 常规增强 | 不适用 |
| 学生训练 | 64 批量，100 回合 | 基础学习率，末 10 回合降 10 倍 | 通道交换等，配对内同步 | λ=0.5 |
| 微调 | 30 回合 | 0.1 倍基础学习率 | 同训练 | 延续学生权重 |
| 推理 | 无重叠分段 | 不适用 | 无增强 | 投影矩阵丢弃 |
| 评估 | 宏平均 | 不适用 | 与训练一致的特征 | 聚合指标选型 |
上表可直接作为运行检查表。代价是原文未报告硬件型号、显存占用与 wall-clock 时间，因此不能承诺训练成本改善，训练资源与推理开销需分别讨论。总体趋势不等于每步都成立，学习率与权重的最优可能随主干变化，复现时应先固定原文值再做小范围验证。
数据、划分与采样：三阶段分别用什么？
实验分 3 个阶段，数据条件不同。教师预训练用大规模自由场合成数据，声源来自与目标类别匹配的事件库，方向均匀采样。学生训练用配对数据，声源库相同但房间来自空间脉冲响应库，训练与验证房间数不同，每个场景长 1 分钟且最大声源数受限。微调与测试用 STARSS23 真实录音。划分与小时数原文以表格总结，但该原表在本次证据中表头身份不可用且不能安全选择，因此本文不复述该表的具体小时数，转而用正文中连续原句可核对的方向范围与场景长度组织下表。阅读时注意区分合成自由场、合成配对、真实房间 3 类声学条件，不要把合成验证集的改善直接等同于真实环境的改善。
下表整理自由场合成的方向采样与场景长度条件，数字与单位来自原文连续句，单位保留在同一单元格内。表前提出的问题是教师数据与配对数据的生成是否控制了方向与事件重叠，公平条件是声源库与场景生成方式一致，指标方向在此不适用，重点是可复现的构造条件。
| 条件 | 取值与范围 | 说明 |
|---|---|---|
| 方位角采样 | ϕ∈[−180∘,179∘] | 自由场合成均匀采样 |
| 俯仰角采样 | θ∈[−80∘,80∘] | 自由场合成均匀采样 |
| 场景长度与重叠源 | 1 分钟，最多 Q=3 源 | 与文献类似方式生成 |
| 声源库 | FSD50K 匹配目标类 | 教师与学生共用来源 |
| 房间库 | TAU-SRIR-DB | 仅学生配对数据使用 |
上表说明方向覆盖接近全水平环与大俯仰范围，场景长度固定且允许多源重叠。代价是合成自由场忽略反射，真实房间的早期反射与 late 混响未在该阶段建模，因此必须经过配对训练与真实微调才能评估泛化。未评测边界包括未报告不同阵列或采样率下的构造是否同样有效。
下表整理特征与信号域条件，同样只用连续原句中的数字，通道数与采样率保留原文写法。表前问题是输入到特征经历了哪些不可省略的变换，公平条件是自由场与混响分支经过相同的麦克风域生成与特征提取，表后解释拼接特征的分工与代价。
| 环节 | 通道与参数 | 作用 |
|---|---|---|
| 麦克风域生成 | 按式 1 与式 2 | 保证配对前信号域一致 |
| Ambisonics 转换 | 4 通道 1 阶 Ambisonics，24 kHz | 统一多通道表示 |
| 语义特征 | 4 通道对数梅尔谱 | 提供能量语义 |
| 空间特征 | 3 通道归一化强度向量 | 提供方向线索 |
| 分段 | 训练 50% 重叠，推理无重叠 | 控制上下文与评估一致性 |
上表显示特征维度为 7 通道拼接，空间与语义信息分开提取后再融合。代价是强度向量对噪声与混响敏感，这正是后文用自由场对齐做正则的动机。反例是若只用能量谱而不加空间特征，定位分支将缺乏直接线索，但原文未单独消融该特征组合，因此不能给出定量代价。
评估协议：数据集、指标聚合与硬件缺项
数据协议方面，教师用合成自由场，学生用合成配对，微调与测试用真实房间。原文用 6 个房间训练、3 个房间验证构建配对，另用仿真库做房间数实验。评估在混响验证集与 STARSS23 测试集上进行，指标为位置相关检测分数与错误率、类别相关定位召回与定位误差，聚合指标为四者等权重平均，定位误差除以 180 度后参与平均。聚合对象为宏平均，逐帧计算后按时间平均。
统计与硬件方面，原文未报告置信区间、显著性检验、随机种子数，也未报告训练时长、推理帧率与实际延迟。缺失证据不是技术错误，但限制是不能把 1 次运行的改善解读为统计显著，也不能承诺满足实时性。复现时应固定种子多次运行并记录每指标的分布，另需补测推理延迟与内存占用，才能讨论部署可行性。
主结果在测什么，比较条件是否一致？
主结果回答两个问题：在合成混响验证集上是否改善，在真实 STARSS23 测试集上是否仍改善。比较对象是常规合成脉冲响应预训练加 STARSS23 微调，原文明确使用相同的混响数据集、优化与增强，仅是否加入物理引导蒸馏不同，因此差异可归因于训练框架而非数据量或增强。评估覆盖 3 个主干，包括卷积-Conformer、定位与检测网络与分层 Transformer，目的是检验方法是否与特定主干绑定。
下表整理主结果比较的公平条件与可核对的训练预算，数字来自连续原句，不复述因绑定不合格而无法核对的指标数值。表前问题是比较是否保留了可运行的基线与实际策略，公平条件是数据、优化、增强一致，指标方向是检测分数与定位召回越高越好、错误率与定位误差及聚合指标越低越好。
| 比较维度 | 基线策略 | 本方法策略 | 保持一致的条件 | 指标方向 |
|---|---|---|---|---|
| 预训练数据 | 合成 SRIR 预训练 | 合成 SRIR 加配对自由场 | 相同 D_RIR | 聚合越低越好 |
| 优化 | AdamW，64 批量，100 回合 | AdamW，64 批量，100 回合 | 批量与回合一致 | 同上 |
| 增强 | 通道交换等同步增强 | 通道交换等同步增强 | 配对内同步 | 同上 |
| 蒸馏 | 无 PGKD | 有 PGKD，λ=0.5 | 权重固定 | 同上 |
| 微调 | STARSS23 微调 30 回合 | STARSS23 微调 30 回合 | 0.1 倍基础学习率 | 同上 |
上表表明比较设计保留了实际可运行的基线与完整策略，差异仅为是否加入特征级蒸馏。原文报告显示在合成验证集上 3 个架构的各项指标均有改善且主要由定位改善驱动，在真实测试集上聚合指标一致下降，支持该方法不绑定特定主干且能外推到真实录音。但必须指出具体指标数值在本次证据中属于不能安全选择的原表矩阵，本文按证据规则删去数值复述，改为报告趋势与适用条件，限制是无法在此核对每项指标的幅度与统计显著性。
未胜出项与边界方面，原文未报告在某架构或某指标上出现反转，3 个架构均报告改善。但这不等于每组每步都成立，总体趋势不能推广为所有房间或所有类别都改善。原文也未测量误判率之外的延迟与成本改善，因此不能承诺推理更快或更便宜，推理成本仅能依据投影矩阵在推理时丢弃这一原文安排来理解为无额外推理开销。
消融回答了什么，房间多样性实验说明了什么？
消融聚焦两个变量：是否加入蒸馏与课程，蒸馏权重取多大。原文用卷积-Conformer 在混响验证集上报告，加入蒸馏相对基线有实质改善，再加入课程有额外增益，权重在 0.1、0.5、1.0 中以 0.5 最好并用于全部实验。房间多样性实验固定 15 小时数据总量，只改变训练房间数，用仿真房间库生成混响数据并在 300 个房间上验证，观察有无蒸馏时的聚合指标随房间数的变化。原文描述的趋势是房间多样性低时蒸馏增益更大，多样性提高后额外收益减小，支持蒸馏引导模型减少对单个房间特性的依赖，而基线在多样性有限时更易利用房间特有信息。
下表整理消融与房间实验中可核对的预算与权重条件，数字来自连续原句。表前问题是消融是否分离了蒸馏与课程的贡献、房间实验是否控制了数据总量，公平条件是主干、数据量与评估房间固定，指标方向是聚合指标越低越好。
| 实验 | 变量 | 固定条件 | 可核对取值 | 结论方向 |
|---|---|---|---|---|
| 组件消融 | PGKD 开关 | 同主干同验证集 | 课程关闭与开启对照 | 蒸馏为主，课程追加 |
| 权重消融 | λ | 同上 | λ=0.5 为所用值 | 0.5 最优 |
| 房间数实验 | 训练房间数 | 15 小时总量固定 | 15 小时固定 | 低多样性增益更大 |
| 验证规模 | 验证房间数 | 仿真库生成 | 300 房间验证 | 控制评估方差 |
| 微调 | 30 回合 | STARSS23 训练划分 | 0.1 倍学习率 | 保持一致 |
上表的主要收益是分离了设计选择的贡献，代价是权重只试了 3 个离散值，未报告更细网格或不同主干下的最优是否漂移。反例方面，原文未给出拿掉投影矩阵或改对齐层位置后的结果，也未报告课程切换速度的消融，因此不能推断这些环节必然如何。特征可视化方面原文称混响特征更接近自由场特征，但本次无像素，只能归因引用该描述，不能据此证明因果，相关性不等于去除了全部房间偏差。
哪些结论不能下，哪些边界尚未评测？
第一，不能把相关性当因果。特征可视化显示混响表示靠近自由场表示，支持减少房间敏感性的解释，但未直接测量房间分类器准确率或反射成分残留，因此只能说支持而不能说证明已去除房间偏差。第二，不能把总体趋势推广到每组。原文报告 3 个架构的聚合指标一致改善且定位驱动为主，但未按房间、类别、重叠源数分解，不能断言所有子条件都改善。第三，不能承诺未测量的量。
原文未测量误判率之外的延迟、算力与标注成本，未报告统计显著性，因此不承诺更快、更便宜或显著。第四，证据绑定限制。本文因原表选择不合格而删去具体指标数值复述，读者复现时应回到原文表格核对数据集、模型、阶段、指标、单位与聚合对象后再比较，数值相同不是同一指标的证据。
未评测边界包括不同阵列几何、不同采样率、更强噪声、移动声源，以及对齐层位置与投影矩阵形式的敏感性。原文未给出这些消融，复现时若改动这些条件，需要重新验证蒸馏权重与课程切换是否仍适用。
复现先做什么，后做什么，还需补哪项验证？
先做配对生成。取同一组源信号、事件活动与方向，分别用房间脉冲响应与自由场直达模型渲染混响与自由场输入，确保两者空间配置一致。再做教师预训练，用大规模自由场数据训练与学生同架构的教师，然后冻结教师。接着做学生训练，学生输入按课程从自由场渐变为混响，教师始终处理配对自由场，在主干输出处用带投影的余弦损失对齐，最后与标准定位检测损失加权求和。增强必须在配对内同步，投影矩阵推理时丢弃。
后做 2 级评估。先在合成混响验证集上检查定位误差与检测分数的变化是否主要来自定位分支，再在 STARSS23 真实集上检查聚合指标是否仍下降。记录时保留数据集、基线、阶段、指标、单位与聚合对象，避免把合成集的数字与真实集的数字混放一列。还需补的验证包括多次种子的均值方差、按房间与类别的分解、不同房间数下的学习曲线，以及推理延迟与内存的实测。只有补齐这些，才能判断何时值得尝试：当训练房间多样性有限且能承担双分支训练成本时，该框架更值得优先复现。
收束：何时值得尝试，一句话如何复述方法？
值得尝试的情形是跨房间泛化不足且怀疑模型利用了房间捷径，同时能够生成同一声场景的自由场对照。若只有单条件录音而无法构造配对，或无法承担教师预训练与双分支前向的训练成本，则不适合直接套用。不值得的情形是已有多样性极高的真实多房间数据且验证显示房间敏感性很低，此时原文趋势提示额外收益可能减小。
一句话复述是：为相同声场景渲染混响与自由场配对，用冻结自由场教师在主干输出处以余弦损失正则混响学生的表示，并用课程从自由场渐变为混响输入，总损失为任务损失加 0.5 倍蒸馏损失，推理只保留学生。复述时需同时说明监督来源、冻结关系与重置时机：教师来自大规模自由场合成并冻结，学生与投影矩阵更新，自由场表示截断，投影矩阵推理丢弃。未报告的梯度细节不猜，缺失的硬件与统计信息如实标注为缺项。
📎 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