📄 没有成对真值时如何修管弦乐老录音：用更宽的退化仿真换有监督复原
英文题目：End-to-End Historical Music Restoration in Latent Space
标签：#音频修复 | #流匹配 | #音乐 | #数据集 | #基准测试
评分：7.9/10 | 创新 1.5/2 | 技术严谨 1.1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Steven Cho：机构信息未在 arXiv HTML 中可靠披露
- Junghyun Koo：机构信息未在 arXiv HTML 中可靠披露
- Raphael Lafargue：机构信息未在 arXiv HTML 中可靠披露
- Tushar Dhyani：机构信息未在 arXiv HTML 中可靠披露
- Eloi Moliner：机构信息未在 arXiv HTML 中可靠披露
- Yuki Mitsufuji：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
历史音乐修复需从未知非线性染色、带限与爆音叠加的观测 \(y\) 中恢复高保真管弦乐 \(x\)，属无真实配对的盲逆问题。本文把问题重定义为合成监督：先用五段 Wiener-Hammerstein 级联合成宽分布历史退化配对，再用固定神经音频编解码器压缩波形为潜变量，最后以条件流匹配学习从高斯噪声指向干净潜变量的速度场并经 Euler 积分重建。该路线以显式宽分布合成替代联合估计退化算子，降低多声部管弦乐建模难度。在 9.3 小时 1911 年至 1925 年美国器乐古典管弦无配对测试集上，所提 SAMECFM 的参考无关音频美学产量质量 AA-PQ 在 Full-Orchestra 与 Light-Orchestra 上达 6.70 与 6.86，明显高于最强基线 Denoiser-FOS 的 5.95 与 6.17；在 53.0 分钟 Spheres 合成配对集上 Mel-MSE 为 1.90、CLAP 余弦相似度为 0.73、合成集 AA-PQ 为 7.21，均为最优。主观 MOS 质量与保真双项领先但配对 MAD 仅排第三，揭示生成质量提升伴随轻微幻觉。该结论限于无唱古典管弦乐，外推至人声、流行乐或更晚期录音尚未验证。原文披露 4 卡 NVIDIA A100 训练 400k 步，未披露推理时延与部署成本。
🔗 开源与复现资源
代码相关资源：https://github.com/SonyResearch/historical_music_restoration — 暂时无法访问（HTTP 504）
数据相关资源：https://zenodo.org/records/22737610 — 链接可访问（HTTP 200）
演示资源：https://github.com/SonyResearch/historical_music_restoration — 暂时无法访问（HTTP 504）
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，本文交付什么？
输入是一段可听的历史管弦乐录音，论文把历史界定为 1926 年之前出版，对应电录音在 1925 年普及之前，载体包括蜡筒、78 转虫胶唱片与留声机链路。目标是从单段观测中估计出同等时长的现代高保真录音，要求同时处理限带、频响着色、非线性失真与加性噪声，而不是只做理想低通后的超分辨率。
本文的交付是三件套。第一是退化仿真，把真实但不可知的退化换成参数可随机采样的 5 阶段函数，用它把现代干净古典乐批量变成退化干净对。第二是复原模型，把退化音频先编码到潜空间，再用条件流匹配把噪声源推向干净潜变量，最后解码回波形。第三是评测基准，包括成对合成测试集与 9.3 小时无对真实历史测试集，以及代码与试听的发布说明。关于可用性需要按本次核验口径写：数据集链接本次返回可用，代码与试听链接本次未能确认可达，写作时不应把未能确认的链接写成已公开可下载。
对刚入门的读者，关键是先接受无真值这个前提。早期录音没有退化前的干净对照，所以不能像普通去噪那样直接配对训练。论文的选择不是在推理时盲估计退化，而是把盲的难度前移到训练，用足够宽的仿真分布覆盖真实退化，让有监督学习在合成对上成立，再泛化到真实老录音。
此前路线各解决了什么，为什么到管弦乐就不够？
最早的历史复原是经典数字信号处理，例如用谱平均做盲均衡，以及针对 clicks 与 hiss 的统计复原。这类方法不需要学习，但对复杂音乐的非线性与着色建模能力有限。随后出现用合成加噪构造配对的神经去噪，证明了配对训练在历史录音上的价值，但多集中在单一声源或受限任务。
超分辨率是另一条相关路线，任务是从理想低通滤波丢失的高频中恢复信息，生成式方法如流匹配与薛定谔桥在波形域与频域都取得进展。语音复原在波形与时频空间训练尚可，但音乐频带更宽、谱更多样，泛化更难，于是出现先经神经编解码器压到潜空间再做预测性复原的做法，并在音乐超分辨率上改善了泛化。
本文指出的缺口是两处。第一，历史退化不只是理想低通，还有与录音相关的非线性失真与谱衰减，因此纯超分辨率模型在真实老录音上仍会失效。第二，无配对盲逆问题的频率域方法同时推断退化与复原，但只在钢琴与人声等单一声部上得到验证。管弦乐有多件乐器同时发声，音色与高频结构更复杂，需要同时解决数据、退化宽度与多乐器先验 3 个问题。
盲逆问题到底难在哪里？
论文把观测写成干净信号先经过非加性退化，再叠加加性留声机退化。这里的非加性包括限带、谱着色、非线性失真与其他未知过程，加性部分对应 hiss 与 clicks 等。复原的目标是从观测单独恢复干净估计，不提供退化参数。
\[\mathbf{y}=\mathcal{A}(\mathbf{x})+\mathbf{n},\]上式中 y 是观测到的历史录音，x 是未知的高保真录音，A 是非加性退化的组合，n 是加性退化。难的是 A 与 n 都未知，同一个 y 可以对应无穷多组 x 与 A 的组合，因此问题严重欠定。任何求解都必须同时依赖两个先验，一是对高保真音乐长什么样的先验，二是对退化过程大致在什么范围的先验。合成监督的意图就是同时提供这两者：干净古典乐提供音乐先验，宽分布仿真提供退化先验。
盲逆问题 × 合成监督： 盲逆问题负责说清困难：退化算子与加性噪声都未知，无穷多组干净音频与退化过程可以产生同一个观测；合成监督负责给出解法：用参数分布足够宽的仿真退化批量生成退化干净对，让模型在训练时见过比推理时更宽的退化族，从而不去显式辨识真实退化也学会逆映射。
从学习依赖看，这一节是全文的前提。后续所有设计都可以回指到它：退化函数决定了训练时见过什么样的 A，潜模型决定了音乐先验以什么形式存储，评测必须同时检查音质与内容保持，正是因为欠定问题允许幻觉解存在。
端到端链路如何走通一个样本？
沿一个样本走一遍最清楚。训练时取一段现代干净管弦乐，先送入 5 阶段退化函数得到仿真退化波形，再叠加仿真留声机噪声，形成与干净段一一对应的训练对。复原侧把退化波形与干净波形分别送入同一个冻结的音频自编码器，得到退化潜变量与干净潜变量。流匹配网络以退化潜变量为条件，学习把高斯噪声推向干净潜变量的速度场。推理时没有干净分支，输入是真实历史录音，先编码成潜条件，再从高斯采样出发积分已学速度场，得到估计的干净潜变量，最后经解码器回到波形。
下图是论文给出的总览，左侧是数据仿真，右侧是潜空间复原，箭头样式区分了训练与推理的差异，初学者应先看主路径再看训练才有的虚线分支。
看图路径： 1. 先沿左侧干净波形经蓝色虚线退化块到中间退化波形的路径看训练数据从哪里来；2. 再看右侧橙色复原块内编码器到潜条件到流模型再到解码器的实线推理路径；3. 对照图例区分训练加推理共用的黑色实线与仅训练时出现的蓝色虚线；4. 观察编码器与解码器上的雪花标记与流模型上的火焰标记分别对应冻结与可训练
论文图 1。原论文 Figure 1:：“Overview of the proposed historical music restoration pipeline \mathcalR_\theta,CFM.”。
该图左侧蓝色退化块把干净波形变成退化波形，中间粉色条带是退化后的波形表示，右侧橙色大块是复原模型，内部依次是编码器、潜条件、潜流模型与解码器。黑色实线是训练与推理共用路径，蓝色虚线仅在训练出现，下方损失框把编码得到的混合表示与模型输出联系起来。编码器与解码器标有冻结含义的符号，中间流模型是唯一需要训练速度场的模块，这与后文四十兆参数量的主干描述一致。
退化函数五阶段各自做什么？
退化函数的结构是维纳哈默斯坦结构，即两个线性谱滤波器夹一个静态非线性，再串一个显式带通滤波器，最后加噪声。用白话说，前置滤波器先给信号染上一种频响，非线性再按幅度产生失真，后置滤波器再染 1 次频响，带通滤波器负责卡掉超出历史设备带宽的高低频，加性噪声最后撒上底噪与爆点。
\[\mathcal{A}_{\phi}=H_{\mathrm{BPF}}\circ H_{\mathrm{post}}\circ\Psi_{\mathrm{nonlin}}\circ H_{\mathrm{pre}}.\]上式中 Hpre 与 Hpost 是零相位有限冲激响应滤波器，在频域实现，幅频按倍频程衰减权重线性插值得到，相位约束为零。HBPF 是显式带宽限制，用低高截止频率与两侧滚降斜率参数化。非线性块是带直通残差的缩放双曲正切。
\[\Psi_{\mathrm{nonlin}}(\mathbf{x})=(1-w)\mathbf{x}+w\tanh(a\mathbf{x})/a,\]上式中 w 控制非线性成分与直通成分的混合比例，a 控制进入双曲正切前的幅度缩放，决定了削波与压缩的强度。全套参数还包括加性噪声的信噪比，每条训练样本都独立重采样。论文强调分布宽度是关键，太窄会让模型只学会逆某一种退化，刻意放宽则用部分真实感换取对未知历史条件的鲁棒性，参数分布通过分析历史录音与试听确定，具体数值放在官方仓库。
维纳-哈默斯坦模型 × 加性留声机噪声： 维纳-哈默斯坦模型负责非加性链路，前后两个零相位有限冲激响应滤波器夹一个静态非线性，刻画频响着色与幅度相关失真的相互作用再加带通限带；加性留声机噪声负责 hiss 与 clicks 一类可加成分，用信噪比参数控制强度，二者相加才构成完整的观测仿真。
从复现角度要注意，滤波器在频域实现且零相位，这意味着它只改幅度不引入相位失真，初学者不应把它当成普通因果均衡器来理解。非线性是静态无记忆的，复杂度低于真实设备，但论文的判断是这种紧凑近似已足以让管弦乐复原从不可训练变为可训练。
潜编码与流匹配如何分工？
潜编码负责降维与对齐领域。论文比较了多种神经编解码器对退化音乐的重构能力后，选择了稳定音频系列使用的 SAME-L 自编码器。选择依据是重构的梅尔均方误差，SAME-L 在干净对、5 阶段退化对与真实管弦录音上都报告更低的重构误差。编码器与解码器在复原训练中冻结，只提供表示，不更新。
流匹配负责生成。训练时从标准高斯采样源点，按均匀时间采样中间时刻，把源点与干净潜变量线性插值成中间状态，目标速度是干净潜变量减去源点。时变变换器以退化潜变量为条件预测该速度，损失是预测速度与目标速度的均方误差。推理时用欧拉常微分方程求解器积分速度场，论文使用 10 步。
神经音频编解码器 × 条件流匹配： 神经音频编解码器负责把波形压成更紧凑且与音乐相关的潜变量，把复原问题从波形映射降为潜变量映射；条件流匹配负责在该潜空间学习从高斯源指向干净潜变量的速度场，并以退化音频的潜变量为条件，推理时积分该速度场得到估计，二者搭配的理由是音乐频带宽、谱多样，直接在波形建模难泛化。
这种搭配的理由是分开处理表示与先验。编解码器把长波形变成通道与帧构成的短潜序列，降低建模长度与频带压力。流模型只需要在潜空间学会音乐先验与条件去退化，不必同时学会波形编解码。代价是编解码器的重构上限会成为复原上限，若编码器本身丢掉细节，后续流模型无法补回。
训练数据、验证划分与优化如何执行？
训练只用器乐古典乐，不含人声，理由是公开高质量古典数据集多，且同一曲目的演绎一致性有助于减少流派外分布担忧。干净池来自 PHENICX-Anechoic、ChoraleBricks、URMP、ORCHSET 与贝多芬交响数据集。全部音频预处理为单声道、重采样并做响度归一化，再切成短窗训练。验证划分先切窗再做退化，且一旦某窗被选为验证，与之重叠的所有窗都被丢弃，再按训练验证窗数比例抽到约 9 比 1。每个窗做多种随机退化并编码保存，避免同窗的不同退化版本泄漏到训练集。
\[\mathcal{L}_{\mathrm{CFM}}=\mathbb{E}_{\mathbf{z}_{0},t,\mathbf{x},\phi}\left[\left\|\mathcal{V}_{\theta}(\mathbf{z}_{t},t,\mathcal{E}(\mathcal{A}_{\phi}(\mathbf{x})+\tilde{\mathbf{n}}))-\mathbf{v}\right\|_{2}^{2}\right],\]上式是条件流匹配损失，期望取自高斯源、时间、干净样本与退化参数。zt 是源与干净潜变量的线性插值，v 是目标速度，V 是待学速度场，条件是退化音频的潜编码。优化只更新速度场网络，编码器冻结，梯度路径不经过解码器波形，监督来源完全是合成对。
下表把训练语料与预处理的关键数量放在一起，便于复现时逐项核对。表前的问题是：训练到底用了多少小时、什么编制、什么预处理与切窗方式，条件是否一致。指标方向是时长与占比越大代表数据越多，采样率与响度是固定条件不是越高越好。
| 组成部分 | 时长 | 占比与来源 | 预处理条件 | 切窗与用途 |
|---|---|---|---|---|
| 全团交响录音 | 5.17 hours | 75.8%，FOS 主体 | mono，44.1 kHz，−23 LUFS | 5-s 窗，10% hop，训练 |
| 铜管木管弦乐声部 | 1.65 hours | 24.2%，3 数据集声部 | mono，44.1 kHz，−23 LUFS | 5-s 窗，10% hop，补高频音色 |
| 合计古典器乐 | 6.82 hours | 全团加声部 | mono，44.1 kHz，−23 LUFS | 先划分再退化，防泄漏 |
| 验证划分 | — | 训练验证窗比约 9 比 1 | 同训练预处理 | 重叠窗丢弃，随机抽取 |
| 单窗增强 | 20 iterations | 每窗 20 种随机退化 | 编码后保存 | 与真值配对，高效训练 |
上表的主要收益是数据构成可复算：全团加声部得到约 6.82 小时，声部占比约 1/4，直接向模型暴露乐器族音色与高频结构。代价是总量仍不足 7 小时，对管弦乐这种大分布而言偏小，论文靠每窗 20 种退化与宽参数分布弥补多样性，但仍需注意过拟合到所选古典池的风险。未胜出或未评测的边界是人声与非古典流派，论文明确不处理带 vocals 的音乐。
下表整理主干与优化的实际开销，问题是模型多大、训练多久、推理几步。条件是同一编码器冻结，只训练流场。
| 模块 | 规模 | 结构 | 优化 | 推理 |
|---|---|---|---|---|
| 编解码器 | SAME-L 冻结 | 编码器加解码器 | 不更新 | 编码条件加解码波形 |
| 硬件 | four NVIDIA A100 GPUs | 4 卡 | 全局批量 768 | 10 步积分 |
| 退化采样 | 每样本重采样 | 5 阶段加噪声 | 宽分布 | 推理不用仿真 |
| 监督 | 20 iterations 每窗 | 编码保存 | 配对均方速度损失 | 真实历史直接编码 |
上表说明训练成本集中在 4 卡大批量长步数，推理成本集中在 10 步积分与编解码。40M 在本文对比中属于最小一档，论文报告它仍取得最优，这支持退化仿真比单纯堆参数更重要的判断。限制是论文未报告延迟、实时率与显存峰值，不能从步数直接承诺实际延迟改善，复现时需另测。
测试集、基线与指标如何保证可比？
测试分两套。成对合成测试来自 Spheres 数据集的立体声混音全团录音，只用全团，按同样预处理切成无重叠短窗，用于算需要真值的谱保真与内容保持指标。无对历史测试是 1911 年至 1925 年在美国录制出版的器乐管弦古典数字化录音，统一上采样到 44.1 千赫兹无损格式并转单声道与响度归一化，再按编制分成全团与小编制两组，用于分析子流派匹配的重要性。论文称这是首个为历史复原整理的测试集。
Full-Orchestra × Light-Orchestra： Full-Orchestra 指交响乐团编制的全团录音，Light-Orchestra 指管乐合奏与室内乐一类小编制录音；论文同时保留二者的分工是检验子流派匹配是否关键，搭配退化匹配一起分析，最终支持的判断是退化仿真准确性的影响大于子流派是否对齐。
基线包括 BEHM-GAN、BABE2 与 Denoiser 的预训练版本，以及用同样全团加声部数据与本文退化函数做领域自适应的版本，命名后缀为 FOS。消融包括只加留声机噪声训练的 SAMECFM-G，对比完整 5 阶段训练的 SAMECFM。所有方法对两套测试的每个窗都复原，分数先在每首歌内按窗等权平均，再跨歌平均成测试集分数，输出采样率不一致时重采样到同条件再打分。
指标分 4 类。AA-PQ 是无参考生产质量审美指标，对频率与动态敏感。Mel-MSE 是复原与参考梅尔谱的均方误差，衡量音调与音色重构。CLAP 余弦是在音乐语义嵌入空间的余弦相似度，编码配器、音乐性格与声学特征。MAD 是在 MERT 嵌入空间的分布散度。论文用后三者验证无参考指标在有对集上的可信度，强调谱保真与内容保持缺一不可。
下表把两套测试与主观评价规模放在一起，问题是测什么、多少量、什么条件。
| 测试集 | 规模 | 时间与来源 | 预处理 | 评价方式 |
|---|---|---|---|---|
| 合成成对测试 | 53.0 min | Spheres 立体声混音全团 | 同训练，无重叠 5-s 窗 | 有参考指标加无参考 |
| 历史无对测试 | 9.3 h | 1911 至 1925 美国器乐管弦 | 44.1 kHz，mono，−23 LUFS | 仅无参考，分全团与小编制 |
| 主观音质与保持 | ten 5-s excerpts | 两组各半 | 5 分制 | 38 人测，22 有效，去 16 人 |
| 主观计分 | 88 ratings 每方法 | 高锚真值低锚输入 | 高锚至少 4 低锚小于 2 | 95% 置信区间报告 |
| 聚合 | 先窗后歌平均 | 等权 | 重采样对齐 | 跨歌平均成单分 |
上表的主要收益是协议透明：合成集小而有真值，历史集大而无真值，主观只用 10 段但每方法有 88 个评分。代价是主观样本少，10 段难以覆盖 9.3 小时的多样性，且 16 人因锚点校验被剔除，说明任务难度大、评分者一致性需要筛选。未评测边界是真实历史录音没有真值，只能用无参考与小样本主观推断，任何单指标都不应单独下结论。
主结果支持什么，又在什么上没赢？
论文报告的总体判断是 SAMECFM 在无对指标、主观音质与主观保持上最好，且参数量最小。完整 5 阶段退化训练的版本优于只加留声机噪声的消融版本。领域自适应后的基线普遍优于各自预训练版本，但仍不及本文方法。论文还报告退化匹配比子流派匹配更重要：预训练基线从无对集到成对集的提升大于从小编制到全团的提升，后两者中更对齐训练域的一侧更好，自适应后仍保持同样趋势。
MOS-Q × MOS-P： MOS-Q 负责评价复原后的整体音质，包括噪声、音色、清晰度与高频细节；MOS-P 负责评价对历史输入的保持程度，包括旋律、配器与风格是否被改写，二者搭配才能暴露生成式复原的权衡，即音质变好是否以幻觉或改写内容为代价。
下表不复述原大宽表的每个格点，而是把论文正文直接给出数值的、可核对的结果放在一起，问题是哪些判断有连续原句数字支撑。
| 结果维度 | 对比对象 | 实际可运行策略 | 关键数值 | 论文报告的判断 |
|---|---|---|---|---|
| 无对与主观最优 | BEHM-GAN，BABE2，Denoiser 及 FOS 自适应 | SAMECFM，40M | lowest parameter count 下 best | 有效退化加有监督更强 |
| 消融退化 | Gram Noise Only | WH 加 Gram Noise，SAMECFM | supervises better restoration | 完整 5 阶段优于仅噪声 |
| 无参考指标可靠性 | AA-PQ 对 MOS-Q | 全团与小编制 | r=0.920，r=0.867 | AA-PQ 最对齐主观音质 |
| 主观规模 | 10 段，88 ratings | SAMECFM，SAMECFM-G，BABE2 两版本 | 38 listeners，22 valid，16 removed | 小样本下本文两版本保持更高 |
| 未胜出项 | MAD 成对集 | SAMECFM 排第三，SAMECFM-G 排第七 | Denoiser 类更低 | 生成质量以部分幻觉为代价 |
上表的主要收益是区分了强证据与弱证据：相关系数与主观规模有明确数字，方法最优是论文的总体报告而非单格数字的重复。代价与反例必须同时写：生成式方法在成对集 MAD 上只排第三与第七，说明音质提升伴随内容改写风险。论文也承认仅留声机噪声在部分嵌入的 MAD 上更接近历史集，原因是嵌入模型本不是为历史退化设计的，只有经重构训练的 SAME-L 在一处让完整退化反超，这提示分布距离指标对退化的敏感性有限。
对初学者的提醒是数值相同不代表同一指标。AA-PQ、Mel-MSE、CLAP 与 MAD 量纲与方向不同，Mel-MSE 与 MAD 越低越好，AA-PQ 与 CLAP 越高越好，不能跨指标比大小，也不能把自动指标直接当成人评。百分点与相对百分比也不同，论文给的是分数与相关系数，不是提升百分比。
拿掉非线性与着色会发生什么？
消融的核心是 SAMECFM-G，它只用加性留声机噪声做退化，不用维纳哈默斯坦的着色、限带与非线性。论文报告完整退化在客观与主观上都更好，说明历史链路中的非加性部分不可忽略。若只学去 hiss 与 clicks，模型在真实老录音的闷、薄、挤压感面前会欠拟合。
另一个隐式消融是退化验证。论文用 MERT、Fx-Encoder 与 SAME-L 3 种嵌入算合成退化与真实历史集的 MAD，发现高斯噪声与低通加高斯噪声距离大，留声机噪声距离小，本文完整退化次之。这初看像矛盾：距离更小的纯噪声反而复原更差。论文的解释是嵌入模型并非为历史退化设计，对失真与着色的编码不足，只有 SAME-L 因自编码重构训练保留更多退化信息，才在一处让完整退化胜出。这是一个重要的反证，说明不要用单一分布距离决定退化好坏，最终要看复原端的主客观效果。
从学习依赖看，消融回答的是监督来源是否充分。宽退化提供更难但更真的训练分布，纯噪声提供更易但更假的分布。前者难学但泛化对，后者易学但推理时遇到未见失真就会失效。
哪些结论还不能下，哪些边界没测？
第一是幻觉与保持的权衡未解决。论文明确说生成方法用部分保持换了质量，成对集 MAD 排名低于主观排名，意味着模型可能补出原本不存在的高频或音色细节。对历史文献价值而言，好听不等于保真，任何部署都应把保持性测试与人工抽查放在前。
第二是指标局限。AA-PQ 与主观音质相关最高，但相关不等于因果，也只在两组编制上验证，不能推广到所有音乐与所有退化。MAD 受嵌入选择影响大，不能单独作为退化真实性的裁判。
第三是范围局限。训练与测试都限定在器乐古典乐，不含人声，非古典流派也未验证。历史集限定在美国 1911 年至 1925 年的管弦古典，设备、厅堂与转制链路的覆盖有限。训练总量不足 7 小时，主要靠增强弥补，换曲库或换年代都可能改变结论。
第四是缺项。论文未报告误判率、延迟、实时率与完整推理显存，也未给出退化参数分布的具体数值，只说在官方仓库。没有这些，就不能承诺成本与延迟得到改善，也不能逐参数复现退化，只能复现思想与链路。
要复现应先做什么，先核对什么？
先做数据。按论文口径准备干净古典池，转单声道、44.1 千赫兹、负 23 响度，切 5 秒窗并用 10% 跳窗，先划分验证再做退化，保证重叠窗不泄漏。每个窗做 20 种随机退化并编码保存。历史测试若用官方 9.3 小时集，直接用其划分与预处理，不要混入训练。
再搭模型。冻结 SAME-L 编解码器，只训练约 40M 的时变变换器速度场，令牌 576 维、8 个自适应归一化块、9 头、感知机 1152 宽。用 AdamW、学习率 2 乘 10 的负 4 次方、全局批量 768、在 4 张 A100 上跑 400,000 步，推理用 10 步欧拉积分。先跑通纯噪声消融，再切到完整 5 个阶段，对比是否复现完整版更优。
评测要分开。有对集看梅尔误差、CLAP 余弦与 MAD，无对集只看无参考与人工。主观至少区分音质与保持两个量表，设高低锚并剔除不通过锚校验的评分者，每方法保证足够评分数。复现成功标准不是某一格数字完全相等，而是趋势一致：自适应优于预训练，完整退化优于纯噪声，退化匹配的影响大于子流派匹配。
关于代码与权重，本次核验只确认数据集链接可用，代码与试听链接本次未能确认可达，因此不要假设一键可运行。缺失的退化分布细节需到仓库确认，若仓库不可达，应明确记录为待验证，而不是自行编造参数。
何时值得尝试这种做法，何时应换路？
当任务是无真值的老录音、多乐器、退化复杂且以限带加着色加失真为主时，本文路线值得尝试。用宽仿真把盲问题变成有监督问题，再用潜流模型学音乐先验，工程上比同时估计退化与音频更直接。编制上有全团数据时优先用全团加声部混合，论文的占比与切窗可直接照搬。
当任务是单一声部、退化以加性噪声为主，或已有准确的设备脉冲响应与失真测量时，不必用这么宽的随机分布，更准的窄分布或盲估方法可能更保真。当应用对文献保真要求极高、不允许任何幻觉时，应降低生成强度或改用预测性增强，并把保持性主观放在首位。
一句话收束：宽退化解决的是可训练性，潜流模型解决的是音乐先验的容量，真正的风险在幻觉。复现时先让退化变真，再让模型变强，最后用保持性把质量拉回可信区间。
📎 论文与评分元数据
排名：前25% | 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