📄 HC-AINet：用紧凑听觉子带做增益预测，再在原频点上做谐波补偿
评分：6.3/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1.1/1.5 | 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 1/1.5
👥 作者与机构
- Nan Li：机构信息未能在本次解析中与作者逐人可靠绑定
- Xiaoxiong Wu：机构信息未能在本次解析中与作者逐人可靠绑定
- Huawei Liu：机构信息未能在本次解析中与作者逐人可靠绑定
- Ziping Zhao：机构信息未能在本次解析中与作者逐人可靠绑定
📌 核心摘要
读者需要理解的对象是资源受限设备上的单通道语音增强，输入为带噪波形，输出为抑制噪声后波形，困难在于听觉启发的子带增益分辨率粗，一个子带增益难以同时保留谐波峰并抑制谐波间噪声。处理过程是先把幅度谱压缩到等效矩形带宽（Equivalent Rectangular Bandwidth，ERB）子带预测增益，再在原始频点上有选择地补充谐波分支，最后估计相位合成波形。听觉启发增益网络（Auditory-inspired gain network，AINet）从三角形ERB特征预测全局增益和谐波增益及融合权重，谐波位置图只允许部分频点加入谐波贡献。补偿后幅度与带噪相位及幅度导出的最小相位线索共同输入紧凑相位估计器。与仅用粗子带增益相比，该结构保留了紧凑主干，又在增益施加处恢复了带内选择性。在VoiceBank-DEMAND测试集上，64子带模型PESQ为3.20，高于HC-APNet-64的2.86，STOI为0.95，参数量约0.27M。推理工作量以每秒音频的乘加操作计，64子带为1.08G MAC/s，32子带为0.66G MAC/s，流式延迟与目标设备实测性能尚未验证。结论限于客观指标与所列配置，谐波定位错误、零能量频点无法生成谐波、跨帧相位连续性尚未验证。
🔗 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
资源受限增强要同时解决什么矛盾
刚接触语音增强的研究生可以先把任务想成一句话：输入是一段混了噪声的波形，输出是一段更干净的波形，目标是让人听得清，也让后续识别或通话处理更稳。论文面向助听器、智能音箱和手机这类设备，模型不能太大，运算不能太高，但又不能把语音的细谱线抹掉。
这里的困难在于中间表示的维度。幅度域方法估计干净幅度或增益，复数域方法还要管相位，时域方法直接估计波形。不管哪条路线，如果网络在全频带高分辨率上运算，计算量就大；如果把频率压得太粗，一个增益就要管一片频率，谐波峰和峰之间的噪声就分不开。听觉启发的子带处理正是想借人耳低频细、高频粗的非均匀分辨率来压缩特征，但压缩后增益本身也变粗了，这是本文要补的关键缺口。
论文反复强调的评价口径也要先立住。PESQ 衡量感知语音质量，CSIG、CBAK、COVL 是 3 个复合质量预测量，STOI 估计可懂度，分数越高越好。参数量和每秒音频的乘加次数只刻画计算需求，不等于真实设备的延迟和功耗。理解这一点，后面看主结果和算量对比才不会把分数高低直接当成可部署性。
已有路线为什么还留下一个带内问题
按原文的梳理，已有工作大致分 3 类。RNNoise、PercepNet 和 PercepNet+ 是听觉子带加信号处理的代表，增益预测在低分辨率上做，重建时仍能用原始线性谱；HGCN 用谐波积分表示和门控补偿，HC-APNet 把听觉处理与谐波补偿结合，DeepFilterNet 在 ERB 增益之外再加复数多帧滤波。这些工作共同说明，只靠粗增益不够，需要给紧凑预测补不出的谱细节分配额外处理。
相位是另一条线。直接沿用带噪相位，即使幅度估计变好，相位误差还在；PercepNet+ 也在听觉框架里加入相位处理。原文因此把补偿后幅度、带噪相位和一个由幅度算出的最小相位线索一起作为相位估计的条件，线索只是辅助参考，不假设它本身等于干净相位。
与 HC-APNet 的关系需要说准。HC-AINet 是作者前期工作的延续，但改用短时傅里叶变换与等效矩形带宽表示，重写了时间频率主干，并在谐波补偿之后做幅度条件重建。比较 HC-APNet 与 HC-AINet 的分数时，看到的是整个框架变化的合计效果，不能把提升单独归因于谐波补偿。
一个听觉子带会同时盖住什么
把加性模型写清楚有助于后面跟分支。带噪波形被建模为干净语音加噪声，时频表示则是两者复谱相加。记带噪幅度为 My，带噪相位为相位 y，干净幅度为 M，目标是估计补偿幅度与合成相位，再合成增强复谱并逆变换回波形。
\[y(n)=s(n)+d(n),\]\[Y(f,t)=S(f,t)+D(f,t).\]一个听觉子带可能同时包含语音谐波和谐波间噪声，共享同一个增益就无法分别调节。论文用理想 32 带 ERB 增益做重建来说明这一点：即使增益是理想的，重建谱在窄带结构上仍与干净谱有残留差异。下面的读图任务就是看这种差异长什么样，它只刻画所评估的增益与合成设置，不是对所有听觉子带方法的通用上限。
下面 3 张谱图从上到下是带噪语音、干净语音和理想 ERB 增益重建语音，横轴是帧，纵轴是频率，颜色亮度表示能量，红框标出需要对比的窄带区域。
看图路径： 1. 对比中间干净谱与下方理想 ERB 增益重建谱的低频谐波条纹；2. 看红框标出的窄带结构在重建后是变糊还是保留；3. 注意带噪谱顶部弥散噪声与干净谱静音段的差别
论文图 1。原论文 Fig. 1:：“Comparison of (a) noisy speech, (b) clean speech, and (c) speech reconstructed with oracle 32-band ERB gains.”。
从像素可见，顶部带噪谱整体发雾，静音段也有弥散能量；中间干净谱在低频有清晰的横向谐波条纹，静音段干净；下方重建谱虽然去掉了大片噪声，但在红框对应的低频条纹和窄带峰处，线条的锐利度和连续性与干净谱仍有差别。这正是后文要在原始频点上做位置相关补偿的动机。理想比较的量化部分见后文第一张表，ERB 在 4 种 32 带表示中最好，但仍低于干净参考。
HC-AINet 让样本走完哪条主路径
拿一个带噪 utterance 为例，主路径可以分成四步。先做短时傅里叶变换，得到带噪幅度和带噪相位；幅度经三角形 ERB 滤波器组压缩成少量子带特征，送入听觉增益网络；网络输出全局增益、谐波增益和两个融合权重，扩展回原始频点后，与带噪幅度和谐波位置图做加权融合，得到补偿幅度；补偿幅度再与带噪相位和最小相位线索一起估计合成相位，最后幅度加相位合成复谱并逆变换。
\[\hat{S}(f,t)=\hat{M}(f,t)\exp\!\left(j\hat{\phi}(f,t)\right),\]上式是要计算的东西：增强复谱等于估计幅度乘以估计相位对应的复指数。它把幅度问题和相位问题分开，幅度由双分支融合负责，相位由紧凑网络负责。分支在哪里汇合很关键：全局分支管宽带包络，谐波分支只在位置图选中的格点贡献，两者在幅度域相加；相位估计在幅度融合之后，说明相位是以补偿后幅度为条件的。
先看系统总览图，确认分支分工与汇合点，再进入各组件。图中左侧是波形进、波形出的主线，中间蓝色虚框是听觉增益网络，绿色框是谐波补偿，紫色框是幅度条件重建。
看图路径： 1. 沿左到右看幅度支路如何经 ERB 压缩再扩展回原频点；2. 看谐波位置图支路从哪里引出并汇入谐波补偿；3. 看补偿后幅度与带噪相位如何共同进入重建再做逆变换
论文图 2。原论文 Fig. 2:：“Overview of HC-AINet. The auditory-inspired gain network (AINet) predicts global and harmonic gains and their fusion weights from ERB features.”。
图中可见，带噪幅度一路向下保留原始分辨率，另一路经线性到 ERB 压缩成紧凑特征；网络输出 4 个量进入谐波补偿；谐波位置图从带噪支路单独引出并汇入补偿；补偿幅度一路向右作为幅度输出，另一路向下与带噪相位汇入重建，共同产生合成相位。这种先压缩学习、再在原分辨率应用的安排，把学习分辨率与应用选择性分开了。
ERB 压缩与扩展各改变了什么
听觉启发在这里只指一件事：用等效矩形带宽尺度做非均匀频率表示。固定三角形 ERB 滤波器矩阵把 F 个线性频点加权求和成 KERB 个子带，紧凑模型取 32，另有 64 带配置考察更细划分。滤波器中心在 ERB 尺度均匀，再映射回线性网格，低频分得细，高频分得粗，送入增益网络的维度随之下降。
\[E(k,t)=\sum_{f=0}^{F-1}W_{\mathrm{ERB}}(k,f)M_{y}(f,t).\]上式是压缩：子带特征等于滤波器矩阵对带噪幅度的加权和，求和遍历全部线性频点。它只降维，不做逆变换。网络输出的子带增益和权重再用同一组滤波器系数扩展回原始网格，扩展是对预测控制量的广播，不是分析的逆操作。扩展后仍作用在保留的带噪幅度上，谐波位置图再提供更细的选择性。
\[\mathcal{U}_{\mathrm{ERB}}\{Q\}(f,t)=\sum_{k=1}^{K_{\mathrm{ERB}}}W_{\mathrm{ERB}}(k,f)Q(k,t).\]ERB 子带 × 线性频率谱： ERB 子带是按人耳非均匀分辨率把 257 个线性频点压缩到 32 或 64 个带的紧凑表示，负责让增益预测网络的输入变小；线性频率谱是 STFT 保留的原始细分辨率频谱，负责最终施加增益和谐波选择。二者搭配后，学习只在低维做，应用仍回到高维，从而兼顾算量和带内选择性。
实现细节按原文交代：短时傅里叶变换用 512 点、512 样点窗、200 样点跳，在 16 kHz 下对应 32 ms 窗和 12.5 ms 跳，单边 257 频点；训练裁到 32000 样点，幅度做幂律压缩指数 0.3。形状、代价与近似只在原文披露时写，扩展与压缩的矩阵本身固定不学。
增益网络如何用小参数看时间与频率
听觉增益网络是 ERB 域的增益预测器，分编码器、堆叠时间频率感知模块和四头解码器。编码器先用 1×1 点卷积、批归一化和 PReLU 做初始投影，再过 4 个倒残差单元，每个单元是点扩张、3×3 深度卷积、点压缩，维度一致时做残差相加，最后用步幅在频率维为 2 的卷积降采样，保留时间分辨率。
每个时间频率感知模块先处理时间，再处理频率。时间侧把每个降采样频率位置看成一条序列，做带掩膜的 Conformer 并加外残差，意图是不看未来帧；频率侧把每帧看成一条频率序列，过两个串行的并行频率门控卷积。每个门控模块内有核宽 3、5、7 的 3 路并行深度卷积，频率平均池化加逐点投影经 Softmax 得到分支权重，加权求和后再投影并残差相加。固定通道和核宽下，频率卷积代价随频率维线性增长，总量还含时间注意力。
解码器用倒残差细化，转置卷积恢复子带分辨率，再经逐点投影、实例归一化和激活后分成四头，各自过独立可学习 Sigmoid，得到全局增益、谐波增益和两个融合权重，权重不约束和为一。4 个量都按扩展公式回到原始网格，全局估计等于扩展全局增益逐点乘带噪幅度。
下面是增益网络结构图，先看主链再看细节面板，有助于把公式编号与模块对应起来。
看图路径： 1. 看顶部主链从 ERB 特征到四个输出头的先后顺序；2. 对比面板 d 倒残差与面板 f 并行多核门控在结构上的不同；3. 注意面板 b 中时间重排与频率重排各服务于哪类建模
论文图 3。原论文 Fig. 3:：“Auditory-inspired gain network (AINet).”。
图中顶部主链清晰：ERB 特征到编码器输出 Fe，再到 N 个感知模块，最后到 4 个 ERB 输出；面板 a 给出编码三步与公式编号，面板 b 给出时间重排、时间残差、频率重排、两个串行门控与版式恢复，面板 d 给出倒残差三步与残差条件，面板 f 给出 3 路并行分支与门控权重虚线。面板 e 只概括 Conformer 功能，不表示完整子层顺序，这一点原文已明确，读图时不要脑补注意力与卷积的先后。
倒残差单元 × 时间频率感知模块： 倒残差单元是编码器和解码器中先点卷积扩张、再深度卷积、再点卷积压缩的轻量特征提取块，负责低代价提炼子带特征；时间频率感知模块是先做时间 Conformer 再做两个串行频率门控卷积的上下文建模块，负责时间依赖和多尺度频谱结构。两者串联后，前者省参数，后者补上下文。
谐波分支在哪里补、补多少
谐波补偿的输入有三样：扩展后的全局与谐波增益、扩展后的融合权重、带噪幅度，外加一张二值位置图。位置图来自固定先验：把带噪对数幅度投影到固定谐波模板上打分，每帧取分最高的 Kh 个模板，紧凑模型取 1，再把当前与之前候选做时间聚合，经固定查找表映射成时频二值图。这个过程不用单独基频估计器，也不用清浊音门，训练时不需要对硬选择求梯度。
融合按两式执行：谐波贡献等于带噪幅度乘扩展谐波增益再乘位置图；补偿幅度等于融合权重分别乘全局估计和谐波贡献再相加。等价地看成有效增益乘带噪幅度，第一项管宽带包络，第二项只在选中格点加一份贡献，未选中处只有全局分支。因为是乘在输入幅度上，补偿是重新分配已有能量的衰减或放大，不能在零能量格凭空生成谐波。
下面是谐波补偿图，左侧是先验，右侧是幅度分支，底部是补偿幅度，适合对照公式理解谁先形成、谁最后合并。
看图路径： 1. 看左侧先验如何从对数幅度经模板打分到二值位置图；2. 看右侧全局与谐波分支各乘了哪个扩展后的控制量；3. 看底部逐点相加如何形成补偿幅度并指向相位重建
论文图 4。原论文 Fig. 4:：“Harmonic magnitude compensation. A template prior derived from noisy speech selects candidate harmonic bins.”。
图中可见，左侧从带噪幅度经对数、模板证据、Top-K 候选、时间聚合到固定位置查找，纵向形成位置图；右侧顶部扩展 4 个控制量，虚线表示学到的控制，实线表示特征流；全局分支与谐波分支分别形成 Mg 与 Mh，再经各自权重相加得到补偿幅度并指向相位重建。谐波分支多了一条位置图输入，这是它与全局分支的根本区别。
全局增益 × 谐波增益： 全局增益是对整段频谱包络做宽带控制的增益，作用在所有频点上；谐波增益是只在候选谐波位置起作用的增益，需要与位置图相乘。两者由各自融合权重加权相加，组合后形成有效增益，既压制宽带噪声，又在带内保留谐波峰。
谐波位置图 × 融合权重： 谐波位置图是由带噪对数幅度与固定谐波模板匹配得到的二值掩膜，指明谐波分支允许贡献在哪些时频格；融合权重是网络预测的逐点系数，决定全局估计和谐波贡献各占多少。前者管在哪里补，后者管补多少，缺一不可。
补偿幅度如何条件化相位重建
重建阶段不另设幅度预测，幅度就用融合后的补偿幅度。相位估计的输入是 3 通道：补偿对数幅度、带噪相位和最小相位线索。线索由补偿幅度经确定性谱分解算出：先把单边对数幅度扩展成偶对称全谱，再逆变换得实倒谱，用最小相位提升器保留并加倍特定倒谱项，其余置零，最后以前向傅里叶约定取变换虚部作相位线索。该计算逐帧独立，不保证帧间连续或短时傅里叶一致性，本身不假设等于干净相位。
紧凑卷积网络由该 3 通道输入预测两个坐标 R 与 I，再经反正切得到合成相位，坐标只定方向。训练时用包裹角距离监督瞬时相位、群延迟和瞬时角频率三项，包裹距离把差 2π 整数倍的相位视为等价，监督覆盖所评估频谱，不限于谐波选中格。
补偿后幅度 × 最小相位线索： 补偿后幅度是全局与谐波分支融合后的幅度估计，作为合成频谱的幅度部分；最小相位线索是由该幅度经对数谱扩展、倒谱提升和傅里叶变换得到的确定性相位参考，只提供辅助信息而不等于干净相位。两者与带噪相位一起输入紧凑相位估计器，共同决定合成相位。
需要提醒的缺口是：消融把相位估计器与最小相位线索一起评估，没有单独分离线索的贡献，也没有证明谐波特定的相位收益。看到重建带来提升时，只能说重建阶段整体有效，不能说线索本身有多大功劳。
联合训练监督了哪些量
训练同时监督全局估计、谐波贡献、补偿幅度和重建信号。幅度侧有三项均方误差：干净幅度对全局估计、带位置图的干净幅度对谐波贡献、干净幅度对补偿幅度，三者按 1、1、0.2 加权。谐波目标用与前向相同的带噪位置图，不用干净语音的理想位置，因此只监督选中格的幅度，不提供理想谐波监督。
相位侧用包裹角距离的三项和，复谱用 2 倍均方误差，波形用 L1 误差，再加一个度量判别器的质量导向损失。判别器对干净对用目标 1，对干净与增强对用由 PESQ 导出的目标，只在训练用，推理不增加计算。最终目标把幅度、相位、复谱、度量与波形按 0.9、0.3、0.1、0.05、0.2 加权求和。
优化按原文交代：AdamW，初始学习率 5×10-4，beta1 为 0.8，beta2 为 0.99，每轮乘 0.99，随机种子 1234，批大小 2。原文没有报告多种子方差，看到小数点后 2 位的差异时要留有余地，不能当成显著性结论。
在什么数据和指标下比较才公平
主基准是 VoiceBank-DEMAND，训练 11572 对、28 人、10 种噪声、信噪比 0、5、10、15 dB，测试 824 条、2 个未见说话人、5 种未见噪声、信噪比 2.5、7.5、12.5、17.5 dB，全部重采样到 16 kHz。另有用带参考的 DNS Challenge 数据和无干净参考的 2020 真实录音，前者做侵入式评估，后者用非侵入式 DNSMOS 自动预测。还有一组含 -2.5 到 2.5 dB 的五信噪比消融，它超出标准测试协议，汇总分要与主基准分开解读。
指标方向统一为越高越好，但在不同表里单位写法不同：VoiceBank 表 STOI 记为小数，DNS 表 STOI 记为百分数，宽带与窄带 PESQ、SI-SDR 各有适用条件。比较时必须同时看数据集、划分、输入条件、训练推理阶段和算量口径是否一致，已发表基线的协议可能不同，带标记的变体或映射关系有待核验，缺失值只表示未给出，不代表好坏。
复现与来源要分开说三件事。本篇未发现完成 HTTPS 验证的作者资源绑定，不得声称代码、模型或数据已公开；来源未确认不是技术缺陷。训练资源、推理开销、输出帧率和真实延迟也要分开讨论，参数量小不等于端侧一定实时。
子带表示与主基准分数支持什么结论
先看理想增益比较要回答的问题：在相同合成设置下，4 种 32 带表示谁更接近干净参考，粗增益本身还剩多少差距。原论文表 I 完整比较 Rec、Bark、Mel、ERB 共 4 种表示并给出带噪与干净参考，本页展示全部方法行并选择 PESQ 与 STOI 两指标，不声称展示全部原列，指标方向都是越高越好，条件是理想增益下的重建，不是实际可运行系统的分数。
| Method | PESQ | STOI |
|---|---|---|
| Noisy | 1.97 | 0.92 |
| Clean | 4.50 | 1.00 |
| Rec | 2.94 | 0.96 |
| Bark | 3.49 | 0.98 |
| Mel | 3.47 | 0.98 |
| ERB | 3.58 | 0.98 |
表中 ERB 的 PESQ 为 3.58，高于 Bark 的 3.49 和 Mel 的 3.47，但仍低于干净参考的 4.50；STOI 三者同为 0.98。这支持在所评估设置下选 ERB 做紧凑表示，但也说明仅靠粗增益仍有差距，需要在原频点上加选择性。下表转到实际可运行的 32 带增益预测，原论文完整比较全频带与 Rec、Bark、Mel、ERB、三角 ERB 共 5 种紧凑表示，本页完整展示该表，条件一致、指标方向相同。
| Method | PESQ | CSIG | CBAK | COVL | STOI |
|---|---|---|---|---|---|
| Noisy | 1.97 | 3.35 | 2.44 | 2.63 | 0.92 |
| Fullband | 3.10 | 4.18 | 3.51 | 3.66 | 0.95 |
| Rec | 2.64 | 3.68 | 2.99 | 3.14 | 0.93 |
| Bark | 2.86 | 3.91 | 3.36 | 3.39 | 0.94 |
| Mel | 2.81 | 3.82 | 3.33 | 3.32 | 0.94 |
| ERB | 2.87 | 3.88 | 3.39 | 3.38 | 0.94 |
| ERB Triangular | 2.94 | 3.95 | 3.44 | 3.45 | 0.94 |
表中全频带 PESQ 为 3.10，高于三角 ERB 的 2.94；三角 ERB 比普通 ERB 高 0.07，STOI 在显示精度下同为 0.94。这支持用三角 ERB 做紧凑预测，同时承认全频带仍有 0.16 的 PESQ 优势，谐波补偿正是想在保留紧凑主干的前提下追回这部分选择性。
主基准的文字证据显示，64 带 HC-AINet 达到 PESQ 3.20、STOI 0.95，参数约 0.27M；在所列方法中 PESQ 最高，但 GTCRN 参数更少，若干系统 CSIG 更高。从 32 带到 64 带，PESQ、CSIG、CBAK、COVL 上升，STOI 在 2 位小数下不变，PESQ 增加 0.02 的同时算量从 0.66 升到 1.08G 每秒。与 HC-APNet-64 相比，PESQ 从 2.86 升到 3.20，参数从 0.22M 升到 0.27M，这是框架合计变化，不能单归因于谐波补偿。发表基线协议不同，胜负只在报告比较内成立。
算量与跨数据集证据如何一起读
算量比较要回答的问题是：在报告口径下，HC-AINet 的运算量处于什么位置，频带加倍的代价是什么。单位是每秒音频的 1000000000 次乘加，口径可能在算子覆盖、时长和注意力历史上有差异。
| Model | MACs (G/s) |
|---|---|
| BSDBNet [41] | 1.68 |
| DBHN-Net [40] | 1.32 |
| HC-AINet (32 ERB) | 0.66 |
| HC-AINet (64 ERB) | 1.08 |
表中 32 带为 0.66，64 带为 1.08，频带加倍运算量增加约 63.6%，而参数都舍入为 0.27M。这符合共享权重在更多频点复用的规律：分辨率提高主要加计算，不等比加参数。64 带低于所列 DBHN-Net 的 1.32 和 BSDBNet 的 1.68，但比较的是报告值，还需计入谐波投影、ERB 扩展、重建网络、倒谱变换和正逆变换等完整推理开销。
跨数据集的互补证据在 DNS 上。文字报告显示，从 32 带到 64 带，宽带 PESQ 从 3.10 升到 3.22，窄带从 3.64 升到 3.72，STOI 从 96.72% 升到 97.21%，64 带 SI-SDR 为 18.88 dB，排序与 VoiceBank 一致。与所列 HGCN+ 相比，64 带宽带高 0.03、窄带高 0.07，STOI 低 0.02 个百分点，参数为 0.27M 对 5.29M。由于另有方法在宽带、可懂度或失真比上更高，这里只支持质量尺寸折中，不支持全面领先。数据集间迁移还需训练协议才能下结论。
真实录音的自动预测回答的是无参考条件下的排序是否保持，指标是 DNSMOS 自动预测，不是人听分。
| Method | DNSMOS |
|---|---|
| Noisy | 2.97 |
| PercepNet | 3.51 |
| HC-AINet (32 ERB) | 3.73 |
| HC-AINet (64 ERB) | 3.81 |
表中 32 带为 3.73，64 带为 3.81，高于所列 PercepNet 的 3.51，保持了有参考评估中的排序。但自动预测的比较要求相同预测器版本、输出定义和测试集，分数差不能直接换算成人听改善，也不能分离谐波补偿的听感贡献。
主干与谐波重建各自带来什么、可分离吗
主干消融要回答的是：在固定任务下，倒残差编码器和频率门控各省了多少参数、分数变了多少。原文文字给出：在 TS-Conformer 配置下换用倒残差编码器，参数从 0.55M 降到 0.37M，降约 32.7%，PESQ 从 3.15 到 3.14，STOI 从 0.947 到 0.946，分数变化相对参数下降很小，且未测跨种子波动；固定编码器后，GRU 变体 0.17M 对应 2.91，而 TFP-PFGNet 以 0.27M 达到 3.18，与 TFP-CRNN 显示分数相同但参数从 0.29M 降到 0.27M，约 6.9%；与最初 0.55M 相比，最终变体少约 50.9% 参数且 PESQ 略高，这是编码器与时频处理合计的效果。
谐波与重建消融在含低信噪比的五档上评估，完整系统每档最高。文字报告的汇总是：完整 2.80，去谐波降到 2.69，保留补偿但用带噪相位为 2.76，两者都去为 2.64。谐波相关的差更大，重建附加提升较小；谐波差随信噪比从 -2.5 到 2.5 dB 的 0.05 扩大到 17.5 dB 的 0.16，定位更准是一种可能解释，但实验未测定位精度。保留补偿时学到的相位估计每档提升 0.02 到 0.05，这是估计器与线索的整体效果，不能分离线索本身。
一个容易误解的地方是把消融差当成部署增益。五档评估含标准协议之外的低信噪比，只能在其条件下解读；单种子客观分、发表基线协议差异、未做的听音和端侧实测，都限制了推广。中间谱图示例只说明处理路径，谐波恢复或听感的量化结论需要额外测量。
哪些情况仍可能失效、证据缺哪块
按原文讨论，先说机制层面的三点。谐波位置错会保留周期性干扰，因为谐波分支只在选中格贡献；乘性补偿不能向零能量格注入能量，缺失谐波无法凭空生成；逐帧最小相位线索不保证干净相位，也不保证短时傅里叶一致性。这些不是实现失误，而是当前公式与先验的固有边界。
再说证据层面的三点。结果是单种子客观评估，没有重复运行的方差；发表基线可能协议不同，不能强排绝对胜负；没有谐波特定的测量、听音测试和匹配设备评估，鲁棒性与部署性能仍待验证。原文明确流式行为与延迟要在实现层面验证，时间掩膜的意图不等于端到端因果可部署。
读到这里应形成条件化结论：紧凑预测加应用点选择性的思路在报告配置下成立，谐波补偿与幅度条件重建的组合在消融条件下有效，但低信噪比定位、线索分离、感知质量和端侧代价都需要补验证，才能谈迁移与落地。
复现第一步做什么、超参数记什么
复现先从数据与信号流程对齐做起。用 VoiceBank-DEMAND 的划分与 16 kHz 重采样，按 512 点、512 窗、200 跳搭短时傅里叶变换，确认单边 257 频点；实现固定三角形 ERB 分析与扩展，32 带先跑通，再试 64 带，注意扩展只是广播控制量，不是可学的逆变换。谐波先验按带噪对数幅度、固定模板打分、Top-K 取 1、聚合当前与之前帧、固定查找表生成二值图，不要引入外部基频估计器。
关键超参数与信息条件要保留：训练裁 32000 样点、批 2、幂律压缩指数 0.3、AdamW 初始 5×10-4、beta1 为 0.8、beta2 为 0.99、每轮乘 0.99、种子 1234、联合损失权重按幅度 0.9、相位 0.3、复谱 0.1、度量 0.05、波形 0.2，幅度内三项含 0.2 的融合项。判别器只用于训练，推理不计入。
来源与可运行要分开核验。本次未发现可用的作者资源绑定，不能写代码或权重已公开；即使拿到代码，还要分别确认权重可下载、端到端可运行、算子口径与注意力历史是否与报告一致，再在目标设备上测延迟、内存和功耗。先复现表示比较与两项消融，再谈主基准排序，这样最省时间。
什么时候值得试、还需补哪项验证
什么时候值得尝试很具体：设备预算只允许约 0.3M 量级参数、又希望保留谐波细节，且能接受 64 带比 32 带多约六成运算量时，可以试这条先压缩学习、再在原频点补偿的路线。32 带优先省算量，64 带优先提分，中间表示比较与 DNS 排序都支持这种取舍，但全频带仍更高的事实提醒，紧凑本身是有代价的。
复现第一步是把 ERB 压缩扩展与位置图先验跑对，再接双分支融合与幅度条件重建，最后对齐损失权重与信号参数。需要补的验证按优先级是：多种子重复与方差、谐波定位精度与谐波特定指标、最小相位线索的单独消融、有界上下文流式实现与端侧实测、听音或至少统一预测器版本的感知评估。只有这些补齐，才能把报告中的质量尺寸折中转成可部署的结论。
📎 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