📄 波形大变而听感不变：PADP 用感知无关扰动检验音频质量模型的感知一致性
英文题目：PADP: Perceptual Audio Data Perturbation for Probing Perception Awareness in Audio Quality Models
标签：#音频质量评估 | #信号处理 | #心理声学实验 | #鲁棒性
评分：5.8/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 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
- Guanxin Jiang：机构信息未在 arXiv HTML 中可靠披露
- Andreas Brendel：机构信息未在 arXiv HTML 中可靠披露
- Pablo M. Delgado：机构信息未在 arXiv HTML 中可靠披露
- Jürgen Herre：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
客观音频质量评估以原始与退化音频波形为输入、输出与人耳判断一致的质量分，难点在于波形大幅改变时仍需保持感知不变性，而现有显式心理声学与隐式学习模型是否具备该不变性缺乏严格检验。PADP先经64带正交镜像滤波器组将1024点帧分解为子带并按二进制映射归并为23个感知频带，为后续频带级扰动提供可近无混叠重构的表示。接着分别施加全通带相移组合、频率选择性延迟、缩放编码失真与解相关扩散四种变换，其输出直接作为受控扰动系数进入下一步。最后经QMF合成返回时域并做响度补偿与时幅对齐，供MUSHRA听测与客观模型打分，以检验波形变化与感知透明性的分离。与直接加噪对抗扰动不同，PADP利用临界带内相位不敏感、时域分辨率频率依赖、高码率编码透明与空间解相关音色保持来构造感知无关变化，具有可听性验证的实际意义。在ODAQ子集全PADP条件评测设置下，DeePAQ的SRCC指标为0.74，高于ViSQOL v3的SRCC指标0.38。结论仅适用于单声道、短时音乐与通用音频片段及所验证参数区间，对临界信号、立体声空间印象与大扰动外推尚未验证。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
为什么听感不变而波形大变值得单独检验？
这篇论文要回答的问题不是如何提升压缩率或合成自然度，而是客观音频质量模型是否真的按人耳的方式判断好坏。初学者容易把波形距离等同于听感距离，认为波形改得越多质量一定越差。论文的起点恰好相反：人耳是一个选择性提取信息的系统，它把声音按临界频带积分能量，对带内某些细粒度变化不敏感。白话说，临界频带就是听觉的频率分组窗口，同一窗口内的能量会被综合起来，强相互作用发生在窗口内部。
感知音频编码正是利用这种感知无关性去掉人耳听不到的信息。所以，一个自称感知驱动的质量模型应当具备的基本性质是，对人耳听不到的改动保持不敏感。如果模型对听感透明的扰动给出大幅扣分，就说明它学到的是波形层面的差异而不是听觉层面的差异。本文的输入是原始参考音频与扰动后音频，目标是检验模型输出与人耳判断是否同向，输出是扰动工具集与失配证据。
必须保留的信息是 4 种扰动名称、听音验证的透明参数范围、以及模型排序与主观排序不一致的结论。本文不涉及代码与数据公开状态的断言，本次也没有可用的开源资源声明，因此只讲论文内可复述的方法与实验。
已有质量模型与对抗扰动各解决了什么？
按同输入、同目标、同监督来对照，论文涉及两条路线。第一条是感知动机客观模型，包括感知音频质量评价、双因子模型、面向听力损失的质量指标、面向编码与分离的视觉语音质量模型等。它们的共同输入是参考信号与待测信号，目标是预测人耳打分，有的显式引入心理声学，有的用学习隐式拟合。第二条是学习型与基础模型，包括基于语音自监督表示的质量估计、基于音乐表示加对比学习的质量估计，以及原本为音乐信息检索或语音识别训练的表示模型。
这些模型在下游质量任务上显示出泛化能力，但训练目标并不是全参考质量排序。另一类相关工作是用心理声学约束构造针对语音识别的对抗扰动，输入同样是音频波形，目标是让识别出错而不被察觉。论文指出这类工作往往依赖掩蔽原理但缺少严格的主观透明度验证。于是本文的差异点很清楚：它不追求让识别器犯错，而是构造一批经过听音验证的透明扰动，作为质量模型的压力测试。
教学例子可以这样理解：已有模型像是用尺子量身高，本文是先确认一批穿不同鞋但净身高不变的人，再看尺子是否误报身高变化。这个例子只说明检验逻辑，不附加任何数值效果。
要测的任务与判断标准是什么？
论文把任务定义为感知一致性探测。给定一个参考信号与一个扰动信号，如果人耳在受控听音中无法区分或只感到极小差异，那么理想的质量模型应当给出接近满分的预测，或者至少保持各扰动之间的相对排序与人耳一致。判断标准有两个层次。第一层是透明性标准，论文采用隐藏参考差值等级小于 10 分作为透明阈值，差值是隐藏参考得分减去待测项得分，落在正负 10 分以内意味着听众总体难以区分。
第二层是模型一致性标准，用模型估计与平均主观评分之间的斯皮尔曼排序相关衡量，对直接输出质量分的模型用分数本身，对只输出嵌入的模型用参考与扰动嵌入之间的欧氏距离，距离越大表示模型认为差异越大，预期应与主观差值同向。需要强调的是，波形相似度不是这里的判断标准，论文恰好用它做反例：有些扰动波形变化很大但听感透明，而低通锚点波形变化较小但听感损伤很大。
这个任务只在论文实际测试的信号类型、单声道条件与参数范围内成立，不能推广为所有音乐与语音都透明。
四种扰动如何共用同一条处理主线？
4 种扰动共用一条先分解再改动再重建的主线。先用正交镜像滤波器组把宽带信号分解成等间隔子带，白话说就是把声音按频率切成多条窄带轨道，每条轨道保留复数子带系数。切分后可以把子带按感知频带分组，低频每组包含较少子带，高频每组包含较多子带，以近似听觉频率划分。改动只发生在子带系数上，重建再用综合滤波器组回到时域。
沿一个样本走一遍：输入一段离散时间音频帧，进入分析算子得到复数矩阵，矩阵的每一列对应一个分析块，每一行对应一个子带；接着按所选扰动对系数做相位旋转、延迟、或与解相关成分混合、或在时域做编码失真缩放；最后综合回时域并做响度补偿与时间电平对齐。下面的公式先定义分析映射的符号与形状，输入是长度为帧长的向量，输出是子带数乘块数的复数矩阵，块数由帧长除以分析块长取整得到。它只说明表示形式，不包含任何可训练参数。
\[\mathbf{X}=\mathcal{A}_{\mathrm{QMF}}\!\left(\mathbf{x}\right)\in\mathbb{C}^{F\times{T}},\quad\text{with}\quad T=\left\lfloor\frac{M}{N}\right\rfloor,\]理解这个公式后，后续 3 种频带操作都是对这个矩阵的不同改法，而缩放编码失真是在时域对编码误差的缩放。论文对这套流程没有训练任何神经网络，也没有更新滤波器组参数，全部是固定信号处理加听音选参。
全通带相移组合如何做到只改相位不改听感？
全通带相移组合的英文名是 All-Pass Band Phase-Shift Combination，缩写为 APX。它的动机是听觉对带内某些相位改动不敏感，尤其在幅度谱保持时。操作从分组开始：用偏移量排除最低的若干感知频带以保护低频听感，用步长把剩余频带每若干个编为一组，每组共享一个相位值。相位值从离散均匀集合中独立采样，集合由角步长决定，步长越小可选相位越多。采样得到少量组相位后，把它们扩展到全部感知频带，被排除的低频带相位为零，其余每个步长组重复同一相位。再通过二值映射矩阵把感知频带相位映射到子带相位，最后对每个子带系数乘以复指数实现带内整体旋转，再综合回时域。
临界频带 × 正交镜像滤波器组： 临界频带负责说明人耳按频率通道积分能量、只对带内粗粒度特征敏感的分工，正交镜像滤波器组负责把宽带信号切成可独立改动又能近无混叠重建的子带的分工，二者搭配的理由是子带可以按感知频带分组后施加带内扰动，组合后新增的作用是让波形层面的相位或延迟改动落在听觉不敏感的维度上。
具体实现时偏移为 1、步长为 4、角步长为二分之派，对应每组 4 种相位、共 6 组，总组合数达到 4096 种，听音时从中无放回随机抽取与信号数量相同的组合以避免只测单一相位。下面的两个公式分别说明映射与旋转：前者把感知频带相位向量乘以映射矩阵得到子带相位，后者把子带矩阵与相位指数逐元素相乘，乘法沿时间块广播，同一子带在同一帧内共享同一相位。这种设计保留了幅度，只改变细粒度相位结构，因此波形可以变化很大而音色基本不变。
\[\boldsymbol{\theta}=\mathbf{G}\boldsymbol{\phi}\in\mathbb{R}^{F}.\]\[\mathbf{X}^{\prime}=\mathbf{X}\odot\exp\!\left(j\boldsymbol{\theta}\mathbf{1}_{T}^{\top}\right),\]需要记住的是透明性依赖于排除低频与分组共享，如果把偏移设为零或步长设为 1，参数空间与可听风险都会变化，论文没有验证那些设置，不能默认同样透明。
全通带相移组合 × 幅度保持： 全通带相移组合负责给每个感知频带组独立施加离散均匀采样的相位旋转的分工，幅度保持负责不改动子带幅度谱以保留音色和内容可辨性的分工，二者搭配的理由是人耳对保留幅度的带内相位变化相对不敏感，组合后新增的作用是在听感透明的前提下得到大量不同的时域波形实现。
频率选择性延迟与解相关扩散各改了什么？
频率选择性延迟的英文名是 Frequency-Selective Delay，缩写为 DEL。白话说就是给不同频率轨道施加不同的小延迟。论文的固定模板只对选定感知频带加延迟，例如最低带延迟 4 个子带样点、某个中低带延迟 2 个、多个中高带各延迟 1 个，其余为零，总体是低频延迟较大、高频较小。实现上先把感知频带延迟向量通过同一映射矩阵扩展到子带延迟，再对每个子带序列做帧内移位，移位后空出的起始位置补零，最后综合回时域。
频率选择性延迟 × 时间分辨率： 频率选择性延迟负责对不同感知频带施加不同的滤波器组样点延迟的分工，时间分辨率负责解释听觉随频率变化、对低频小延迟更宽容的生理依据的分工，二者搭配的理由是把较大延迟放在低频、较小或零延迟放在高频，组合后新增的作用是引入可控的跨频带时间错位而不破坏整体听感。
下面的公式分别说明延迟扩展与逐子带移位，前者是矩阵乘法把分组延迟广播到子带，后者是按子带延迟量取过去的系数，延迟量为零时保持不变。
\[\boldsymbol{\tau}=\mathbf{G}\boldsymbol{\delta}=[\tau_{0},\tau_{1},\ldots,\tau_{F-1}]^{\top}\in\mathbb{N}_{0}^{F},\]\[X^{\prime}_{k,t}=\begin{cases}0,&t<\tau_{k},\\[4.0pt] X_{k,t-\tau_{k}},&t\geq\tau_{k}.\end{cases}\]解相关扩散的英文名是 Decorrelator Diffusion，缩写为 DIF。它借用空间音频编码中的全通解相关器，用格型全通滤波在子带域生成与输入不相关的扩散成分，再按目标通道间相干性决定的混合角把直达与扩散成分线性混合成左右通道。通道间相干性越接近 1 表示左右越相关、声像越窄，越接近 0 表示越不相关、声像越宽。论文假设左右功率相等，混合增益由二分之根号二乘以混合角的余弦与正弦给出。实验只用单声道评估，取立体声输出的左通道，响度补偿后与参考对齐。
解相关器 × 通道间相干性： 解相关器负责用格型全通滤波在子带域生成与输入不相关但幅度相似成分的分工，通道间相干性负责量化左右通道相似程度并对应空间扩散感的分工，二者搭配的理由是按目标相干性混合直达与扩散成分可以控制空间感，组合后新增的作用是只取其左通道作为单声道扰动，在保留音色时改变细粒度波形结构。
直观理解是扩散主要改变细粒度相干结构而大体保留幅度与音色，扩散等级越高听感变化越大，因此只有最小扩散等级能保持透明。
缩放编码失真为什么是连续可调的透明族？
缩放编码失真的英文名是 Scaled Coding Distortion，缩写为 SCD。它的起点是感知音频编码在足够高码率下重建与原信号听感不可区分，编码误差可视为感知可忽略的加性噪声。构造方法很直接：先用编码器在固定码率下得到编码重建，再把原始信号与重建之间的差值乘以缩放系数后加回原信号。系数为零时回到原信号，系数为 1 时回到编码器输出，系数大于 1 时会放大编码噪声。论文用动态码率编码在 80 千比特每秒条件下测试 0 点 2、0 点 6、0 点 9、1 点 24 个系数，听音验证只有较小系数保持透明。
缩放编码失真 × 掩蔽效应： 掩蔽效应负责解释高码率编码误差为何可被听觉掩蔽的分工，缩放编码失真负责把原始信号与编码重建之间的差值按比例系数缩放后再加回的分工，二者搭配的理由是编码噪声本身已是感知优化过的微小失真，组合后新增的作用是得到强度连续可调、听音可验证的一族透明扰动。
这个族的优点是强度连续、来源明确，且失真本身已经过感知优化，比随意加白噪声更接近真实编码损伤。但它仍然依赖所选编码器与码率，不能把 80 千比特每秒下的结论搬到极低码率或另一编码器上。论文没有给出该公式的展示形式绑定，因为公式清单只覆盖到第 12 条，这里用文字复述计算：输出等于 1 减系数乘原信号加系数乘编码重建。复现时关键是保证编码重建与原信号在时间与电平上对齐，否则缩放会引入额外的延迟或增益误差。
本研究训练了什么、冻结了什么？
本研究没有训练任何新的质量模型，也没有微调基础模型的权重，不存在优化器、学习率、梯度路径或参数冻结与重置的安排。论文的计算过程是固定信号处理加现成模型推理。固定部分包括正交镜像滤波器组分解与综合、相位采样与映射、延迟模板移位、编码重建与缩放混合、解相关滤波与混合增益，所有参数都按论文给定的模板直接使用，不通过反向传播更新。调用部分包括 4 类感知动机模型、两类学习型质量模型与 4 类基础模型表示。
对能直接输出质量分的模型，直接取其分数与主观评分比较；对只输出嵌入的模型，取参考与扰动嵌入之间的欧氏距离作为差异度量，再与主观评分算排序相关。论文未报告任何训练耗时、梯度细节或可训练参数量，因此不能从模型名称推定其内部实现，也不能把无训练理解为系统输出确定，因为相位采样本身是随机的，听音抽样与嵌入距离都会带来方差。把本节理解为构造与推理流程，而不是 1 次模型训练，才能正确复现。
听音与模型评估的条件是否一致？
要判断透明性与模型失配是否可信，先看数据、协议与对齐条件是否一致。论文从开放音频质量数据集收集 1212 clean signals，覆盖 average and critical items 多种内容，目的是同时检验非苛刻与苛刻信号。滤波器组统一用 F=64、f=23、帧长 M=1024、分析块 N=64、每帧 T=16 块。听音采用 MUSHRA 范式，同时包含 3.5 kHz 低通锚点与隐藏参考，所有评估都转单声道并做 loudness 补偿，解相关条件只取左通道。为减轻疲劳，缩放编码失真单独一组，其余 3 种扰动另一组，分别包含 six and seven conditions，被试用高质量耳机在安静环境下参与，并按锚点高于 90 或隐藏参考远低于 90 等规则筛除不可靠评分。
模型评估用同一批扰动信号与 time- and level-aligned 后的参考比较，排序相关只在扰动条件下计算，不含参考与锚点。下表把关键配置收拢为可核对的一览，数字写法保留原文精度。
表前比较问题是：在相同子带划分与单声道对齐下，各扰动的关键参数与听音人数是否足以支撑透明性判断，指标方向是否明确。
| 变换组 | 信号来源与配置 | 子带与分帧配置 | 关键参数 | 听音保留人数 |
|---|---|---|---|---|
| 缩放编码失真组 | 1212 clean signals，覆盖 average and critical items | F=64，f=23，M=1024，N=64，T=16 | r=80 kbps with λ∈{0.2,0.6,0.9,1.2} | nine 人用于 SCD 组 |
| 相移延迟扩散组 | 平均与苛刻素材多内容 | 帧长 M=1024 块长 N=64 每帧 T=16 块 | o=1，s=4，α=π/2，S=4，B=6 and SB=4096 | eight 人用于 APX/DEL/DIF 组 |
表后解释是：该表的主要收益是把可运行的扰动强度与听音规模固定下来，复现时可直接按此搭管线。具体代价是相移组合空间很大但听音只抽样 1212 种，未覆盖全部 4096 种，且苛刻信号对延迟与大系数更敏感，不能把平均透明直接当作逐信号透明。未胜出项是低通锚点，它作为反例始终可听，说明波形相似度高不等于听感好。
第二个表前比较问题是：在同一套滤波器组与抽样规模下，相移组合空间与编码缩放强度如何分工，听音分组是否与参数分组对齐。
| 参数分组 | 子带与分帧原文 | 相移组合原文 | 编码缩放原文 | 听音分组原文 |
|---|---|---|---|---|
| 相移分支 | F=64，f=23，M=1024，N=64，T=16 | o=1，s=4，α=π/2，S=4，B=6 and SB=4096 | r=80 kbps 不用于该分支 | eight 人用于 APX/DEL/DIF 组 |
| 编码分支 | F=64，f=23，M=1024，N=64，T=16 | SB=4096 仅抽样 1212 种 | r=80 kbps with λ∈{0.2,0.6,0.9,1.2} | nine 人用于 SCD 组 |
表后差异与边界解释是：第二个表的价值在于把组合原因说清楚，相移分支用分组共享相位控制参数量，编码分支用缩放系数控制失真强度，两者共用同一子带划分与 1212 信号池才可比。其代价是抽样不完备与苛刻素材更敏感的边界依然存在，低通锚点作为反例提醒不能只看波形变化大小判断透明性。
哪些扰动真正透明、波形又变化很大？
听音结果按透明阈值组织。上排是缩放编码失真在不同系数下的差值等级，下排是相移、延迟与不同扩散等级的差值等级，绿色虚线标出正负 10 分带。导读时先看每种颜色标记是否落在带内，再看最右平均列，最后用灰色低通锚点做参照，锚点远在负 70 分附近，说明任何落在带内的彩色点都远轻于明显损伤。
看图路径： 1. 先看上下两排分别对应哪组变换与横轴信号名，最右 Average 列代表跨信号平均；2. 再看绿色虚线正负 10 分透明带，判断各颜色标记是否落在带内；3. 对比灰色倒三角低通锚点与彩色扰动点的位置差异，确认扰动远轻于锚点；4. 注意 Castanets 与 Clapping 等瞬态信号上延迟与大扩散条件的误差条是否变宽
论文图 1。原论文 Figure 1:：“Subjective difference grades for SCD (top) and APX/DEL/DIF (bottom). The green dashed lines at ±10 indicate the adopted transparency threshold.”。
对像素内容的解释是：相移组合与最小扩散等级在几乎所有信号上都贴近零线，缩放编码失真在 0 点 6 及以下同样贴近零线，只有延迟在瞬态信号上偶发超出，大系数与大扩散等级则出现轻微可闻但内容保留。平均列显示相移、延迟、最小扩散的均值仍在透明带内，而大扩散与 1 点 2 系数的均值明显下移。这个分布支持论文的透明划分，但也显示苛刻信号的误差条更宽，不能忽略信号依赖性。
波形相似度用整句与分帧余弦相似度衡量，数值越接近 1 表示波形越接近。导读时先看横轴 8 个条件，再看绿色整句与橙色分帧箱体的中位与跨度。
看图路径： 1. 先确认横轴八个条件与纵轴余弦相似度，绿色与橙色分别对应整句与分帧相似度；2. 比较 APX 与 DEL 箱体跨度与 SCD 贴近 1 的箱体，确认波形改变量级差异；3. 观察 LP35 箱体位置，判断波形相似度高是否等于听感损伤大
论文图 2。原论文 Figure 2:：“Cosine similarity between PADP-transformed signals and their references, with the low-pass anchor included for comparison.”。
对像素内容的解释是：相移与延迟的箱体跨度很大，中位在 0 点 3 到 0 点 6 之间，大扩散的中位约 0 点 7，而缩放编码失真与低通锚点都贴近 0 点 9。也就是说，听感最透明的相移恰恰波形变化最大，听感损伤最大的低通锚点波形反而最接近原信号。这个反转让波形距离失去感知代理资格，也正是需要感知扰动做诊断的理由。下表把透明性结论收拢为可执行的选用规则。
表前比较问题是：在差值小于 10 分的透明标准下，哪些参数可用于质量敏感应用，哪些只可用于要求较宽松的场景，基线锚点与隐藏参考是否保留。
| 变换 | 参数条件 | 透明性判断 | 适用场景 |
|---|---|---|---|
| 全通带相移组合 | 全信号透明 | 差值带内 | 质量评估与神经编码 |
| 最小扩散与小系数缩放 | 扩散 1 与系数 0 点 6 以下透明 | 差值带内 | 质量敏感应用 |
| 延迟与大扩散大系数 | 延迟与 0 点 9 偶发超带 | 轻微可闻但内容保留 | 排除苛刻信号后可用 |
表后解释是：该表的主要收益是给出可直接套用的参数上限，复现与增强时优先用透明组。代价是延迟与 0 点 9 系数在苛刻瞬态上不稳定，大扩散与 1 点 2 系数已超出透明承诺，只能做鲁棒性压力测试。未胜出项是视觉语音质量模型，其排序相关最低，说明它对这类细粒度扰动的排序保持最差。
模型排序在哪些条件下偏离人耳？
模型评估比较的是预测分布与主观分布的相对排序，而不是单点分数相等。对直接输出质量分的模型用其分数，对比学习与基础模型用嵌入欧氏距离，距离方向与分数方向相反，因此排序相关为负值，绝对值越大表示排序保持越好。论文报告深度感知质量模型的绝对值最高，视觉语音质量模型最低，其余在 0 点 60 到 0 点 70 之间。导读下图时先看上排 4 个系数与下排 5 种扰动的分组，再看每组内绿色听音、橙色深度模型、蓝色视觉模型的箱体高低与离散程度。
看图路径： 1. 先看上下两排分别对应缩放编码失真与相移延迟扩散组，左侧纵轴是听音分；2. 对比同一条件下绿色听音箱体与橙色蓝色模型距离箱体的相对排序；3. 重点看 DIF3 到 DIF5 段听音明显下降而模型距离变化是否同幅度跟随
论文图 3。原论文 Figure 3:：“Comparison of DeePAQ and ViSQOL predictions and subjective ratings across signals and PADP transformation conditions.”。
对像素内容的解释是：在缩放编码失真上，听音箱体随系数增大缓慢下降，而深度模型箱体离散度在 0 点 9 与 1 点 2 上明显变宽，说明它对编码噪声更敏感；在相移与延迟上，三者都贴近高分且排序大致一致；在最小扩散上三者同样一致，但在中等与大扩散上听音显著下降而模型距离下降幅度较小且分布更窄，说明模型对扩散欠敏感。视觉模型整体偏差更大，分布形态与听音差异更明显。
这个对比不支持把基础模型嵌入距离直接当作质量分数，它只在原任务之外做粗略代理。论文没有提供按信号拆分的显著性检验，也没有报告推理开销与延迟，因此不能从排序相关推断部署成本或误判率改善。
哪些边界尚未验证、不能推广？
论文直接报告的是在给定参数、单声道、时间电平对齐与响度补偿条件下的透明性与排序失配，有限解释是这些扰动可作为数据增强以提升感知意识，但未验证增强后是否真的提升。未验证的推测包括把透明参数搬到另一编码器、另一码率、立体声评价或实时流式处理时是否依然透明。
缺失证据不是技术错误，但必须明确边界：相移只验证了偏移 1 步长 4 角步长二分之派的抽样，延迟只验证了固定模板，扩散只验证了 1、3、53 个等级并只取左通道，缩放只验证了 80 千比特每秒下的 4 个系数。听音人数分别为 9 人与 8 人，信号数有限，苛刻信号的方差较大，阈值 10 分本身是采用的惯例而不是推导出的生理界限。模型侧只用排序相关汇总，没有报告皮尔逊相关，理由是天花板效应会压缩方差，这意味着线性拟合优度未知。
相关性也不是因果，不能说模型因为波形距离大所以扣分，只能说在这些扰动下模型排序与人耳排序不一致。训练资源、推理开销、输出帧率与实际延迟均未测量，不承诺任何效率改善。
复现时先做什么、保留哪些超参数？
复现先做管线对齐，再做参数与听音核对。第一步按 64 子带、23 感知带、帧长 1024、分析块 64、每帧 16 块搭好分解与综合，验证无扰动时重建与原信号在时间与电平上对齐，否则后续相位与延迟的比较会混入额外误差。第二步实现 4 种扰动：相移按偏移 1 步长 4 角步长二分之派生成 4096 种组合并无放回抽样，延迟按最低带 4、中低带 2、多个中高带各 1 的模板移位，缩放按 80 千比特每秒编码重建做 4 个系数的线性插值，扩散按目标相干性混合直达与解相关成分后取左通道并补偿响度。
第三步组织听音时保留隐藏参考与 3 点 5 千赫低通锚点，分两组控制每节条件数，并按锚点与隐藏参考规则筛除不可靠评分，以差值小于 10 分作为透明门限。第四步评估模型时对质量分模型取分数、对嵌入模型取欧氏距离，只在扰动条件下算排序相关，不含参考与锚点。信息条件上，当前没有可用的代码模型数据公开声明，因此复现依赖论文文字与公式自行实现。
还需补的验证是跨编码器、跨码率、立体声与更多苛刻信号的重复，以及增强训练后是否真正缩小排序差距。
何时值得尝试这种扰动检验？
当你的质量模型在常规编码损伤上分数很好，但你怀疑它只是记住了波形差异时，这套扰动值得尝试。做法是先用透明组做回归测试：相移组合、最小扩散、0 点 6 及以下的缩放系数应当不扣分或只扣极小分，如果模型大幅扣分或排序错乱，说明它的感知意识不足，需要检查特征是否过度依赖细粒度相位或帧级波形匹配。
当你需要压力测试的负例时，可在排除苛刻信号的前提下加入延迟、中等扩散与 0 点 9 系数，或用大扩散与 1 点 2 系数做轻微可闻但内容保留的 harder 集合，但不要把它们当作透明数据来训练。常见误解是把波形相似度当作听感代理，本文的反例恰好纠正它：波形变化最大的相移最透明，波形最接近的低通锚点损伤最大。另一个误解是把基础模型嵌入距离等同于质量分，论文显示它的排序保持有限，只能做粗略参考。
收束一句话：感知无关扰动不是为了提升某个榜单分数，而是提供一种可复述、可听音验证的对照，帮你在宣称感知一致之前先回答模型对人耳听不到的东西是否保持沉默。
📎 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