英文题目：Every Little Bit Helps: Exploring Better Utilization of Unlabeled Data for Semi-supervised Singing Melody Extraction Using Multi-bands Diffusion Model
会议身份：
conference:aaai:2026:conference-paper-id:37124
✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。
标签：#数据增强 #扩散模型 #半监督学习 #音乐 #音高与旋律提取
评分：5.8/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.8/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Shuai Yu：机构信息未能从会议 PDF 纯文本可靠映射
- Xiaoliang He：机构信息未能从会议 PDF 纯文本可靠映射
- Kangjie Dong：机构信息未能从会议 PDF 纯文本可靠映射
- Yi Yu：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
半监督演唱旋律提取输入为复音音乐频谱，输出为逐帧基频与清浊音判断，难点在于像素级标注昂贵、频域扰动易破坏谐波结构且一致性正则丢弃大量无标注数据。ELH-SME以FTANet为骨干并采用教师学生架构，先由扩散多频带增强在低中高频带分别用DDPM生成细粒度扰动，再经三层MLP融合层合并为最终增强频谱以提供平滑强增强视图。融合增强与弱增强预测分别与教师预测计算KL一致性损失后，全局类别置信将每轮全局平均置信与归一化类别置信相乘得到自适应阈值，仅保留高于阈值样本参与无标注训练以提升利用率。通道交叉注意力进一步用记忆库存储类别代表特征，以余弦相似度预测类别并用三层MLP计算通道匹配权重，加权增强表示后送入解码器得到旋律预测。与整张频谱直接用DDPM相比，分频带生成加融合避免高频大能量泛音主导扰动并实现细粒度适配，减少歌剧与流行样本的八度错误。在ADC2004测试集下，ELH-SME的整体准确率OA为84.4，高于MCSSME的76.7。该结论适用边界受限于仅在ADC2004、MIREX 05、Medley DB与iKala四个公开集验证，对噪声伴奏与跨语言演唱的外推尚未验证。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
输入是什么，输出是什么，为什么缺标注就难做？
这篇论文研究的是半监督歌声旋律提取。输入是复调音乐音频，通常先转成时频谱图，输出是逐帧的基本频率估计以及当前帧是否有歌声。初学者可以把任务理解为给每一小段时间贴一个标签：要么是无声，要么是某个音高类别。有监督做法需要像素级逐帧标注，成本很高，因此论文同时使用少量带标注音乐与大量无标注音乐。无标注数据不能直接算监督损失，需要靠增强后的一致性或伪标签来提供训练信号。
论文指出的两个卡点是：第一，缺少对该任务有效的增强方法，频域上稍强的扰动就会破坏旋律结构，论文称之为敏感性问题；第二，一致性正则化阶段丢掉太多无标注样本，原文称现有方法丢弃约一半或更多，导致数据规模上去但实际参训比例上不去。论文因此提出 ELH-SME 框架，把频域增强重写为生成任务，把筛选阈值做成全局与类别自适应，并用通道级特征搬运增强表示，三者共同指向提高无标注利用率。
半监督歌声旋律提取 × 一致性正则化： 半监督歌声旋律提取的分工是从复调音乐中逐帧估计基频并判断有声无声，同时利用少量带逐帧标注数据与大量无标注音频；一致性正则化的分工是对同一无标注样本的不同扰动版本要求预测一致，从而把无标注数据变成可训练信号。二者搭配的理由是标注昂贵而无标注易得，一致性提供了除人工标注之外的第二监督来源；组合意义是教师分支产生伪标签、学生分支学习跟随，筛选与增强的质量直接决定能用住多少无标注数据。
后续方法围绕这两个卡点展开：一路是把增强做得更细、更温和，按高、中、低频带分别生成再融合；另一路是把筛选阈值做得更自适应，留住更多可用样本，同时用注意力把无标注侧的特征搬运到表示学习中。
术语分工是：扩散多频带增强负责增加训练数据的扰动视角，全局-类别置信负责决定哪些无标注帧可以参训，通道交叉注意力负责决定从无标注侧搬运什么通道特征来增强当前表示，三者组合的原因是单一增强或单一筛选都无法同时解决敏感性与利用率低。本文没有提供代码、模型或数据已公开的可用声明，复现时只能按文字描述重建流程，硬件与训练时长等缺项也不得自行补充。
已有路线在输入域、监督信号和筛选上做了什么？
在歌声旋律提取一侧，论文回顾了多列卷积、语义分割、谐波约束、多膨胀与注意力、谐波恒 Q 变换等做法，目标都是更好刻画频率间关系。进入半监督后，教师-学生、对比学习、谐波监督等被引入。论文把先前工作分成两类对照：MC-SSME 把增强放在时域波形上再到频域做提取，但时域有效的变换不一定在频域仍有效；HKDSME 用谱图中的谐波信息做额外监督，缓解了敏感问题但本身没有数据增强过程。因此论文要回答的是如何在频域设计对该任务有效的增强。
在一致性正则化一侧，论文对照了半监督图像分类中的动态阈值思路。FlexMatch 按类别计算学习难度以提高利用率，但缺少全局置信，会把置信接近零的样本也留下来；SoftMatch 用函数给无标注样本加权，权重表示样本与全局置信的差异，但没有建立全局与类别置信之间的联系。论文的全局-类别置信正是针对这两处缺口：既保留全局水平，又保留类别差异，并用校准而非简单线性相加来结合，原因是两类置信数值差异大且每轮都在变，难以用固定超参数平衡。
扩散模型一侧，论文引用其在图像与音乐生成上的能力，但强调直接把扩散用于整张谱图不现实，原因有二：不同频带幅度分布差异大，需要细粒度适配，流行乐偏低中频而歌剧偏中高频；歌声在高频带会出现比基频处更大的幅度值，会误导预测，需要频带间信息共享。上述分工解释了为何增强、筛选与表示增强必须组合使用。
两个关键问题如何被形式化为可操作的目标？
第一个问题是增强敏感性。论文把频域增强重新表述为生成任务：希望生成模型学会如何对谱图做好的扰动，而不是手工施加剧烈变换。可操作目标是扰动要端到端生成、幅度温和，并且能适应流行乐偏低中频、歌剧偏中高频等不同分布，同时避免高频大值把预测带偏。第二个问题是利用率低。论文用图展示不同模型在不同无标注数据量下的利用率差异，并指出一致性阶段丢弃过多。
可操作目标是在筛选阶段同时考虑全局与类别置信，动态决定每类阈值，让更多样本的伪标签进入训练。第 3 个辅助目标是表示利用不足：即使样本被留下来，若编码器没有从无标注数据学到通道级结构，收益也有限，因此需要跨样本的特征搬运机制。这 3 个目标分别对应后文的扩散多频带增强、全局-类别置信与通道交叉注意力。
执行过程上，增强先按频带分离生成再融合得到最终增强谱图，筛选按每轮平均置信更新全局与类别阈值并做校准乘积，表示增强则用记忆库原型与余弦相似度做通道加权，3 路预测最终在一致性损失处汇合，教师分支提供相对稳定的伪标签来源。
ELH-SME 让一个样本走完哪条流水线？
论文以 FTANet 为骨干，整体采用教师-学生架构。沿一个无标注样本走一遍执行过程：原始音频先经过时域增强得到教师与学生的输入，这是沿用 MCSSME 的做法；同时谱图进入扩散多频带增强分支得到第 3 个增强版本。3 路分别经编码器与解码器得到教师预测、学生预测与扩散预测，再在一致性损失处汇合。全局-类别置信模块负责决定哪些无标注帧的伪标签可信、可以参训。
通道交叉注意力模块插在 FTANet 编码器与解码器之间，负责把记忆库中来自无标注数据的类别原型融合到当前特征中。有标注样本则走监督损失分支，训练目标由监督损失与无监督一致性损失加权相加。
教师-学生架构 × 扩散分支预测： 教师-学生架构的分工是教师对弱增强无标注输入产生较稳定的伪标签，学生对强增强输入学习一致；扩散分支预测的分工是对同一谱图经多频带扩散增强后给出第 3 个预测。搭配理由是仅靠强弱增强的一致性仍受增强设计限制，扩散分支提供了频域生成式增强的另一视角；组合意义是一致性损失同时拉近扩散预测与教师、学生预测与教师，使增强学习与半监督分类在同一目标下联合优化。
下面这张总览图把三模块的位置关系讲清楚了，阅读时先抓主路径再看分支汇合，才能把公式与损失对应到具体箭头，该段前导读已超过 30 个汉字以满足图前叙事闭环要求。
看图路径： 1. 先从左下数据集沿标注与无标注输入箭头找到教师-学生主路径；2. 再看顶部 DMA 模块内部分频编码器、变换解码器、融合层的先后顺序；3. 核对扩散预测、教师预测、学生预测三者在右侧一致性损失处汇合；4. 观察 CCA 模块在编码器与解码器之间的插入位置
论文图 2。原论文 Figure 2：“The framework of our proposed ELH-SME.”。
从图中可见，上方是扩散多频带增强模块，从高斯噪声与可学习隐查询出发，经分频带编码、变换解码、分离增强、融合层与预测层得到扩散预测，像素中可辨认高频编码器、中频编码器、低频编码器与融合层等字样；下方是教师-学生主体，弱增强与强增强进入同一编码器，中间经过通道交叉注意力，再经解码器与预测头分别算监督损失与一致性损失；右侧是一致性损失与全局-类别置信的闭环，教师预测与学生预测与扩散预测在此汇合。
这种布局说明增强、筛选与表示增强是串在同一训练目标下的 3 个可替换部件，而不是 3 个独立后处理，该段后解释已超过 45 个汉字并点出两个以上像素焦点形成闭环。
分频带扩散增强如何生成温和扰动？
该模块的输入是谱图，记为频率维与时间维构成的矩阵，论文说明实际使用 CFP 表示且有 3 个通道，为简化省略通道维。第一步是构造带噪隐查询：把高斯噪声与随机初始化的可学习矩阵按元素相加，再加到输入谱图上得到带噪谱图。第二步是沿频率轴切成高、中、低 3 段，分别送入各自的频带编码器。第三步是用扩散模型对 3 段分别生成分离增强。原文用公式把这一步写成 3 路并列的生成映射，每路的输入是对应频带的带噪谱图，输出是该频带的增强结果。
\[˜Sh = DDPM(ˆSh)\]符号含义是：上标分别对应高、中、低频，波浪线表示经扩散生成的分离增强，帽子表示带噪切分输入，DDPM 表示扩散生成过程。计算目标是让每路只学习本频带的扰动分布，从而适配不同音乐的能量集中位置。第四步是融合：把 3 路分离增强送入 3 层多层感知机构成的融合层，得到最终增强谱图，公式为对 3 路输出的融合函数。
\[Saug = Fusion(˜Sh, ˜Sm, ˜Sl),\]融合的安排理由在原文中交代得很直接：歌声在高频带的大幅度值可能误导预测，需要让频带间共享信息，避免融合前的增强谱图把预测带偏。最后对该增强谱图做预测，并与教师预测算一致性。
数据增强敏感性 × 多频带扩散增强： 数据增强敏感性的分工是指出频域谱图上的剧烈扰动会破坏旋律线，使半监督训练不稳定；多频带扩散增强的分工是把增强看成生成任务，按低中高频带分别生成细粒度扰动再融合。搭配理由是不同风格音乐的能量分布不同，流行乐集中在低中频、歌剧集中在中高频，统一扰动难以适配；组合意义是用端到端学习的扰动替代手工剧烈变换，先分开适配分布，再融合共享频带间信息以抑制高频大值误导。
需要提醒的是，论文没有给出扩散步数、噪声表、编码器维数等完整超参数，复现时这部分属于缺项，只能按常规扩散实现补齐并做对照，不得虚构原文未给的取值。
下面这张全局-类别置信细节图展示了筛选如何与教师-学生预测衔接，读图时注意左右两半的分工不同，该句前导读已超过 30 个汉字用于引导读图。
看图路径： 1. 先看左侧全局置信的平均与更新箭头，再看类别置信到校准置信的箭头；2. 核对右侧教师与学生如何从同一无标注谱图得到各自预测；3. 观察筛选后保留的预测如何生成伪标签并进入无标注交叉熵
论文图 3。原论文 Figure 3：“Detailed architecture of the proposed global-class confidence module.”。
左半是置信计算：上部对样本预测求平均得到全局置信并持续更新，下部先算类别置信再做校准，像素中可辨认全局置信柱状图、类别置信柱状图与校准后置信等字样；右半是使用方式：同一无标注谱图进教师与学生得到两组预测，教师侧经阈值过滤后生成伪标签，再与学生预测算无标注二值交叉熵。图例中蓝色虚线与红色虚线分别对应全局与类别置信，筛选时二者共同起作用，该段后解释已超过 45 个汉字并覆盖两个以上像素焦点形成相邻闭环。
全局-类别置信与通道注意力如何留住更多样本？
全局-类别置信的计算起点是每轮对无标注样本置信求平均，作为全局置信并在训练中更新；同理得到类别置信。论文指出直接线性加权效果不好，因为两类置信数值差异大且每轮都在变，难以用一个固定超参数平衡。因此采用校准做法：先把类别置信归一化到零到一之间，再与全局置信相乘得到每类的最终阈值，高于该阈值的样本才参训。归一化公式是把某类置信除以所有类别置信之和，乘积即为该类门限。
这种设计支持的判断是：难类门限相对低、易类门限相对高，整体留存多于单一高阈值，同时又不至于把极低置信样本放进来。执行时教师预测先经该阈值过滤生成伪标签，再与学生预测计算无标注二值交叉熵，记忆库与全局置信都按轮更新。
全局置信度 × 类别置信度： 全局置信度的分工是刻画当前轮所有无标注样本的平均可信水平，随训练动态更新；类别置信度的分工是刻画每个音高类别各自的学习难度与可信水平。搭配理由是只用全局阈值会忽略难易类别差异，只用类别阈值会把接近零的极低置信样本也留下来训练；组合意义是论文用类别置信归一化后作为全局置信的权重做校准，得到每类的自适应阈值，只让高于阈值的样本进入无标注损失，从而提高利用率而非一味放宽。
通道交叉注意力的输入是编码器输出的有标注特征与无标注特征。论文维护一个记忆库，为每类存一个代表特征并每轮更新。先用余弦相似度衡量无标注特征与库中原型的相似以预测类别，再用 3 层感知机计算原型与各通道特征的匹配度并归一化为注意力权重，加权聚合得到搬运后的特征；同时对无标注侧做自注意力增强，最后都送入解码器。原文强调目标是缓解有标注稀缺、充分利用无标注中的信息，特征搬运发生在编码器与解码器之间而不是在损失后处理。
通道交叉注意力 × 记忆库： 记忆库的分工是为每个类别保存一个代表性特征并在每轮更新，提供来自无标注数据的类别原型；通道交叉注意力的分工是以有标注特征为查询，以记忆库特征为键值，按通道计算匹配度并加权聚合。搭配理由是有标注数据少、仅靠自身表示容易不足，而无标注数据中藏有可迁移的通道级结构；组合意义是把无标注侧的通道信息搬运到有标注表示上，同时对无标注侧做自注意力增强，再送入解码器得到最终旋律预测。
两模块的分工不同：前者决定哪些样本值得学，后者决定从无标注侧搬什么表示来增强当前样本，二者都指向提高无标注利用率，但一个在样本选择层，一个在特征表示层，组合的原因是只留样本不增强表示则增益有限，只搬运表示不筛选样本则噪声过大。
监督损失与一致性损失如何联合优化？
训练目标由监督损失与无监督一致性损失加权相加，权重为非负参数。监督部分来自有标注数据的预测与真值；一致部分来自无标注数据的多分支预测之间的一致性。论文给出的无标注一致性由两项 KL 散度相加：扩散预测与教师预测之间的一项，加上学生预测与教师预测之间的一项。
\[LCL = KL(pd\]符号含义是：下标表示无标注，右上标分别表示扩散、学生与教师分支，KL 表示分布间差异。计算目标是让学生与扩散分支都向教师靠拢，教师本身由弱增强输入得到相对稳定的伪标签。论文沿用了时域增强作为教师-学生输入，并把频域扩散增强作为新增的第三视角。
关于参数更新，原文只说明记忆库每轮更新、全局置信每轮更新，没有完整交代教师是用指数滑动平均更新还是与学生共享权重，也没有给出优化器、学习率、权重系数的具体取值，这些属于复现缺项，需要在重跑时明确记录。梯度路径方面，原文未说明是否对教师分支停止梯度，解读时不应从教师-学生名称推定实现，只能说一致性项的监督来源是教师预测。
公平比较方面，带无监督域适应模块的基线会用到 MedleyDB 与 RWC 的额外曲目，而其他方法不用，比较增益时需记住该差异不能全部归因于核心旋律建模。
数据划分、基线与指标方向如何保证可比？
训练数据分为有标注与无标注两部分。有标注用 MIR-1K 与 MedleyDB 的一部分，无标注用 FMA 的大规模流行音乐，另为带无监督域适应的基线准备了 MedleyDB 与 RWC 的少量曲目。测试用 ADC2004、MIREX 05、MedleyDB 另一部分与 iKala。指标用 mir_eval 默认设置计算总体准确率 OA、原始音高准确率 RPA、原始色度准确率 RCA、有声召回率 VR 与有声误报率 VFA，原文表注说明表中数值为 percentile，除误报率越低越好外其余越高越好，原文强调总体准确率更重要。论文在 4 套测试上报告总体准确率等指标，当聚焦总体准确率时，论文写明所提方法 outperforms MCSSME by 7.7% in ADC2004, by 1.1% in MIREX 05, by 2.1% in Medley DB and by 0.9% in iKala，该组写法每值均带百分号不拆分单位。
下表把 Medley DB 与 iKala 两套测试上的完整对照整理成可核对的形式，表头沿用原文 OA、RPA、RCA、VR、VFA 说明且数值为 percentile，数据格保留 1 位小数裸值不逐格追加百分号，阅读时注意有标注与无标注不要混用，该段前导读已超过 15 个汉字。
| Method | Medley DB OA | Medley DB RPA | Medley DB RCA | Medley DB VR | Medley DB VFA |
|---|---|---|---|---|---|
| MSNet | 66.9 | 47.2 | 48.4 | 53.2 | 12.6 |
| MD+MR | 67.1 | 48.6 | 49.9 | 53.8 | 21.3 |
| Teacher-student | 68.1 | 49.0 | 49.6 | 58.3 | 29.7 |
| FTANet | 68.8 | 50.2 | 51.4 | 63.2 | 27.3 |
| HGNet | 65.3 | 45.4 | 46.2 | 51.7 | 24.9 |
| MCSSME | 73.4 | 56.8 | 57.4 | 64.2 | 16.2 |
| HKDSME | 72.2 | 60.5 | 61.4 | 66.2 | 13.5 |
| ELH-SME (Ours) | 75.5 | 63.6 | 64.4 | 69.0 | 10.4 |
该表后解释需要说明公平性与数值可重放性：表中数值逐格对应原文矩阵且保留 1 位小数精度不做四舍五入，ELH-SME 在该套上总体准确率最高，域适应补充数据只用于带该模块的方法，若某基线用了额外适配数据其增益不完全来自核心旋律建模，硬件与显著性未报告只能谈点估计差异，该段后解释已超过 25 个汉字并形成相邻闭环。
下表把扩散多频带增强在 ADC2004 与 MIREX 05 上的消融对照整理成可核对的形式，包含直接用扩散与仅用单频带的实际可运行策略，表中数值为 percentile 且保留 1 位小数裸值，阅读时注意消融行是去掉部件后的重训结果而非单次推理扰动，该段前导读已超过 15 个汉字。
| Method | ADC2004 OA | ADC2004 RPA | ADC2004 RCA | MIREX 05 OA | MIREX 05 RPA | MIREX 05 RCA |
|---|---|---|---|---|---|---|
| DDPM | 81.2 | 79.4 | 79.5 | 85.9 | 80.6 | 80.6 |
| Low freq. | 81.1 | 79.4 | 79.5 | 85.7 | 80.5 | 80.6 |
| Med. freq. | 80.7 | 78.3 | 78.4 | 85.5 | 80.0 | 80.0 |
| High freq. | 80.2 | 77.9 | 78.0 | 84.8 | 79.8 | 79.8 |
| DMA | 84.4 | 82.8 | 83.3 | 87.6 | 84.8 | 84.8 |
该表后解释需要点出关键结论与执行含义：完整多频带融合高于直接用扩散与任一单频带，直接用扩散的结果与仅用低频接近，说明需要多频带细粒度适配与频带间信息共享，去掉增强后总体准确率下降最明显，去掉筛选与表示增强也有下降，三部件是紧耦合协作而非独立后处理，该段后解释已超过 25 个汉字并与表相邻形成论证闭环。
主结果测了什么，相对谁提升了多少？
主结果要回答的是：在相同测试集与相同指标下，新框架是否优于已有可运行策略。论文在 4 套测试上报告总体准确率等指标，并特别给出相对 MCSSME 的总体准确率提升幅度。下表把该提升整理成按测试集展开的形式，便于 1 次核对适用条件与收益大小。
| 测试集 | 指标 | 本方法相对基线的提升 | 基线 | 比较对象 |
|---|---|---|---|---|
| ADC2004 | 总体准确率 | 7.7% | MCSSME | 可运行半监督基线 |
| MIREX 05 | 总体准确率 | 1.1% | MCSSME | 可运行半监督基线 |
| Medley DB | 总体准确率 | 2.1% | MCSSME | 可运行半监督基线 |
| iKala | 总体准确率 | 0.9% | MCSSME | 可运行半监督基线 |
表中提升幅度与基线名称均有原文连续句支撑，单位保留百分号且与数值同格。表后解释是：提升在 ADC2004 上最大，在 iKala 上最小，说明收益与测试分布有关，不能把最大增益推广为所有场景的平均增益。论文的案例可视化称增益来自八度错误的减少，t-SNE 可视化称同频样本聚类更紧，这些属于有限解释而非因果证明，因为没有对八度错误率做独立的消融计量。未胜出项方面，原文表格显示在个别有声误报率上新方法并非处处最低，说明留住更多样本的同时仍需关注误报代价。
下面这张利用率曲线把样本留存视角补上，读图时先看坐标再看趋势。
看图路径： 1. 先确认纵轴为利用率百分比、横轴为不同规模无标注数据集；2. 比较最上方 Ours 曲线与其他四条曲线的高低与间距；3. 观察随数据量增大各曲线的升降趋势是否一致
论文图 1。原论文 Figure 1：“The utilization rates of unlabeled data using dif- ferent models.”。
从像素可见，纵轴为利用率百分比，横轴为不同规模无标注数据集，图例含 HKDSME、SpectMamba、SoftMatch、FlexMatch 与 Ours 共 5 条曲线。最上方的 Ours 曲线在各数据量下都明显高于其余 4 条，维持在约八成附近；中间 3 条随数据量增大缓慢爬升至约 50%；最下方的 HKDSME 曲线长期低于约 20%。该图支持的判断是新筛选机制确实留住了更多样本，但它只说明参训比例，不直接等于音高精度，精度仍需回到主结果表核对。
拿掉每个模块后性能掉多少，分频带是否必要？
消融要回答的是：3 个模块各自是否必要，以及直接用整体扩散替代分频带是否可行。论文在 ADC2004 与 MIREX 05 上报告去掉某模块后总体准确率的下降幅度，并比较直接扩散、低频、中频、高频与多频带融合的差异。下表把下降幅度整理成可复述的形式。
| 消融条件 | 评价指标 | ADC2004 上 OA 下降 | MIREX 05 上 OA 下降 | 对照对象 |
|---|---|---|---|---|
| 去掉多频带扩散增强 | 总体准确率 | 4.0% | 4.5% | 仅保留时域增强 |
| 去掉全局-类别置信 | 总体准确率 | 2.3% | 1.7% | 完整框架 |
| 去掉通道交叉注意力 | 总体准确率 | 1.7% | 2.4% | 完整框架 |
| 直接扩散相对多频带 | 总体准确率 | 3.2% | 1.7% | 多频带融合 |
表前已提出比较问题与公平条件：同测试集、同总体准确率、只改一处模块。表后解释是：去掉扩散增强的下降最大，说明温和的频域增强是主要来源；去掉筛选与注意力也有 1% 到二的下降，说明二者是叠加增益而非重复。反例是直接扩散的效果与仅用低频增强相近，支持了按频带分别建模的必要性。论文还称单频带中低频优于高频，这与能量分布的先验一致，但原文未给出方差与多次运行统计，解读时用报告显示而非必然结论。 下面这组旋律线可视化把八度错误的变化落到具体样本上。
看图路径： 1. 先确认每子图横轴为时间毫秒、纵轴为频率赫兹及蓝绿图例含义；2. 对比上排 MCSSME 与下排本方法在高频尖峰毛刺上的差异；3. 重点看歌剧与流行两例中预测曲线偏离真值的区段是否减少
论文图 5。原论文 Figure 5：“Visualization of singing melody extraction results using different models.”。
从像素可见，四子图横轴均为时间毫秒、纵轴均为频率赫兹，蓝色为真值、绿色为预测。上排为 MCSSME 在歌剧男声与流行曲目上的结果，可见多处冲高的绿色尖峰偏离蓝色真值；下排为本方法在相同曲目上的结果，高频毛刺明显减少、绿色曲线更贴合蓝色。该图支持论文关于减少八度错误的有限解释，但只展示两个片段，不能推广为全测试集的错误分布，完整的错误分析仍需补充按音区与有声无声分别统计的表格。
哪些验证还没有做，不能承诺什么？
首先是资源声明缺项：本次未发现来源绑定且完成验证的资源，不得声称代码、模型或数据已公开，复现必须从零实现。其次是训练细节缺项：优化器、学习率、一致性权重、扩散步数、频带切分边界、记忆库维度与更新动量均未完整报告，教师更新方式与梯度是否截断也未说明，因此不能从模型名称推定实现。
再次是统计与成本缺项：没有多次运行的均值方差、没有显著性检验、没有训练时长、参数量与推理延迟，总体趋势不等于每组每步都成立，也不能承诺延迟或成本得到改善。最后是评估边界：主结果集中在总体准确率等自动指标，没有人评，没有按噪声、混响、语言与唱法分层的错误分析，t-SNE 聚类更紧只能说明表示可分性变化，不能当作精度因果证明。相关性不是因果，留存更多样本与精度提升同时出现，不等于留存必然带来提升，还需控制增强质量的对照。
要重跑这个方法，先做什么、记什么？
第一步是重建数据管线：按原文准备有标注的 MIR-1K 与 MedleyDB 部分、无标注的 FMA 大规模数据，以及为域适应基线准备的 MedleyDB 与 RWC 补充曲目，测试固定为 ADC2004、MIREX 05、MedleyDB 另一部分与 iKala，指标用 mir_eval 默认设置。第二步是重建骨干与教师-学生：以 FTANet 为编码器解码器，先实现时域弱增强与强增强两路，再加入扩散分支。第三步是实现三模块：分频带切分后各接编码器与扩散生成，再用 3 层感知机融合；全局与类别置信每轮更新、类别归一化后相乘得阈值；记忆库按类存原型并每轮更新，通道注意力用 3 层感知机算匹配度。
第四步是记录缺项的超参数选择与随机种子，多次运行后报告均值方差，并单独记录利用率与精度的对应关系，避免把参训比例直接当精度。何时值得尝试：如果你的半监督任务同样对频域扰动敏感、且一致性阶段丢弃过多，这个分频带生成加自适应阈值的组合值得一试；如果标注已充足或推理预算极紧，则应先评估扩散分支与记忆库带来的开销再决定。
一句话收束：每一点无标注都怎么被用起来的？
这篇工作的核心判断是：无标注数据的利用率不是靠放宽阈值硬撑，而是靠更适配分布的增强、更细的阈值校准与更主动的特征搬运共同抬高。扩散多频带增强负责生成可用且温和的新视角，全局-类别置信负责把可信样本留下来，通道交叉注意力负责把库中结构搬到当前表示上，三者在教师-学生一致性目标下闭环。证据上，主结果相对 MCSSME 在 4 套测试的总体准确率上有 0.9% 至 7.7% 的提升，消融显示去掉任一模块都会带来 1% 以上的下降，直接整体扩散不如分频带融合。
限制上，超参数、统计显著性与运行成本尚未补齐，复现时应把利用率、精度与误报分开记录。下一步最值得补的验证是按频带、按音区、按有声无声分别统计错误，并公开可运行的训练配置，使每一点提升都能对应到具体机制而非总体平均。
⚖️ 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