先认出是什么，再听出在哪里：跨实例视觉提示的选择性测向

英文题目：AV-SSAN: Audio-Visual Selective DOA Estimation Through Explicit Multi-Band Semantic-Spatial Alignment

会议身份：conference:aaai:2026:conference-paper-id:39175

✅ 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。

会议来源：官方记录 · 官方 PDF

标签：#数据集 #多模态学习 #音视频 #空间音频信号 #声源定位

评分：6.9/10 | 创新 1.6/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Yu Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Hongxu Zhu：机构信息未能从会议 PDF 纯文本可靠映射
• Jiadong Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Kainan Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Xinyuan Qian：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

跨实例音视频定位以双通道混合语音与同类异实例提示图像为输入，输出与提示语义匹配声源的到达方向，难点在于视觉与音频空间无关且双声源相互干扰导致难以解耦目标。语义桥特征网络先用CLIP抽取视觉嵌入并结合VGGish语义音频嵌入，经Transformer融合为目标语义线索以桥接模态失配。多频带语义空间对齐网络将频谱切分为细带、中带与全带并计算耳间相位差与强度差，再以语义线索为查询做跨注意力与频带加权融合以对齐各带空间特征。空间细化器对三带对齐特征做时变加权并预测时频掩膜以抑制干扰，最后由多层感知机输出180类到达方向后验，与先做空间相关再定位的既有音视频方法不同，该框架先做语义对齐再做空间解耦。在VGGSound-SSL的0 dB双源混合测试条件下，AV-SSAN的平均绝对误差指标为16.59°，低于CMAF基线的18.65°。该结论适用边界受限于合成房间脉冲响应与5°容差准确率协议，失败条件包括目标能量弱时过抑制干扰残留，尚未验证真实多源重叠与强混响外推范围。原文披露硬件为两块RTX-4090 GPU且训练成本为140k步、批量32与AdamW学习率5e-3设置，未涉及推理开销与部署延迟。

🔗 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

混合声里为什么只听还不够？

输入是双通道麦克风录到的混合声，目标是在两个不同类别声音重叠时，只报告与用户给定图像语义相同那一路的方向。刚入门容易把这个问题当成普通测向，也就是对混合声直接估计一个或多个方向角。论文要解决的更窄：当两路声音同时存在且方向不同，系统必须先知道用户想听哪一路，再给出那一路的方向。输出是离散化的方向类别，原文把圆周方向分成 180 类，预测是 180 维后验分布，取概率最大处为估计方向。

传统做法依赖双耳时间差和强度差等空间谱特征，在单声源、弱混响下有效，但在多源、强噪声和强混响下退化明显。纯音频深度模型能学空间表示，却缺少语义理解，面对重叠声源难以区分目标与干扰，目标静默时也容易出错。引入视觉本是补强手段，但已有音频视觉定位方法要求音画在空间上严格配对，也就是画面里可见物体正好是正在发声的物体，且通常把所有活动声源都定位一遍，不做选择。这在真实数据中很少满足。

因此学习依赖是先理解任务约束，再理解方法选择。必须保留的信息是：提示图来自同语义类但不同实例，与待定位音频在空间上无关；训练混合由两段不同类音频按 0 分贝信噪比混合；评价用平均绝对误差和 5 度容差内的准确率。后续所有组件都是为在空间无关条件下实现按语义选择而安排的。

同输入同目标的工作此前卡在哪里？

按同输入、同目标、同监督来对照，纯音频测向是一条路线。传统加深度的做法包括把广义互相关特征送入多层感知机、用深度模型改进协方差估计再做多重信号分类、用 3 维卷积处理可控响应功率特征；端到端做法直接用频谱幅度与相位，用卷积循环网络、长短时记忆网络建模时序，最近也有用状态空间模型替代循环结构。它们的输入都是多通道音频，目标都是方向，但监督里没有谁是目标的语义信息，所以在双源二选一时接近随机猜测。

音频视觉定位是第二条路线。常见做法是把视觉嵌入与广义互相关特征融合，例如用多元高斯建模视觉先验、用去强调图抑制干扰、用生成模型探索跨模态隐空间、用动态注意力做音画对齐、用视觉变换器解耦编码；也有用短时傅里叶变换、对数梅尔谱与强度向量等更丰富的谱表示，再用卷积或变换器融合。这些方法在配对数据上有效，但依赖紧同步的音画对，且估计所有活动源，不区分目标。

选择性定位是第三条路线。有工作用类别标签引导注意力，用文本提示融合空间音频，用参考音频在混合中定位对应说话人。它们的监督是标签或同实例查询，难以泛化到新类别或新模态。论文的新任务正好补上这一缺口：只给跨实例图像，不给空间配对，不给类别标签的独热约束，要求模型靠语义桥接实现选择。本文的对照应理解为条件不同的路线差异，而不是同条件下的简单胜负。

跨实例提示的选择性定位到底要算什么？

形式化上，给定双通道信号和一张提示图像，模型要输出与提示语义匹配声源的方向。方向被离散为 180 个整数类，记估计为帽西塔。原文不用独热编码，而是用以真值为中心、标准差为西格玛西塔的高斯状向量表示后验，省略归一化常数，因为不影响取最大值的决策。网络映射记为帽分布等于以可学习参数为条件的图像与音频的函数，推理时取分布最大值对应方向。

举例说明，设混合中有猫叫和狗吠，提示图是另一只从未在音频中出现过的猫的照片。模型不能靠图像位置推断方向，因为提示图与录音场景无关；只能先从提示图读出猫的语义，再在混合声中找出猫叫成分，最后读出猫叫的空间线索。这个例子是教学用的假设，不附加论文之外的数值。

跨实例音频视觉定位 × 语义桥特征： 跨实例音频视觉定位负责定义任务：用同类但不同实例的图像提示，在双声混合中只定位语义匹配的那一路；语义桥特征负责给出实现该任务的身份线索，它把视觉编码与语义音频编码投影到共享空间再做变换，输出目标是谁的表示，后续空间模块以它为查询条件分离目标与干扰，两者搭配的原因是提示图与声音在空间上无关，只能先在语义上建立对应。

训练与推理的采样规则是论文明确的：每次从不同类中抽两段音频，一段为目标，一段为干扰，按 0 分贝混合；提示图从目标类对应的图像池中随机抽取，且排除当前实例自身。在真实数据上，论文对每段 10 秒取出现最频繁的事件为目标，其余为干扰，并用类别匹配的图像做语义提示。这种构造把选择压力放在语义对齐上，而不是空间配对上。

整体先走一遍：语义桥接后做多频带对齐

沿一个样本走完全流程有助于建立依赖关系。输入是混合双通道波形与一张跨实例提示图。第一步，提示图经预训练视觉编码器得到视觉表示，混合音频经语义音频编码得到语义音频嵌入，两者经时间广播和线性投影到共享空间，拼接后再经变换器编码器得到语义桥特征。这个特征的含义是目标是谁，不含方向。第二步，混合波形做短时傅里叶变换，分解为细带、中带和全带 3 路空间特征，每路计算耳间相位差与耳间强度差。

第三步，3 路特征分别进入语义空间对齐块，以语义桥特征为查询抽取目标相关空间信息，再做带内与带间融合与跨带细化，得到时频掩膜。第四步，掩膜与原始频谱逐点相乘得到掩膜后频谱，送入特征提取与方向预测器，输出 180 类后验。

在阅读结构图之前，先明确分支汇合点：语义分支只提供查询条件，声学分支只提供空间观测，两者在对齐块内汇合，掩膜是汇合后的可执行产物，方向预测只看掩膜后频谱。下面的图展示了这种双分支结构。

看图路径： 1. 沿左下混合音频经短时傅里叶变换到频带切分再到三路对齐块的主路径走一遍；2. 观察左上提示图像与混合音频如何进入语义桥网络并输出一路语义桥特征；3. 确认语义桥特征以查询形式进入每路对齐块，而原始频谱另有一条直达掩膜相乘的支路；4. 对照下半部分对齐块内部左侧交叉注意力与右侧频带融合的分工

论文图 1。原论文 Figure 1：“The architecture of (a) our proposed AV-SSAN and (b) Semantic-Spatial Alignment (SSA) block.”。

从像素看，上半部分左侧用猫与狗的示意表示目标与干扰经短时傅里叶变换形成混合谱，提示图是另一只猫，强调同类不同实例；中上浅色区域是语义桥网络，视觉编码器与音频编码器各经线性投影后拼接再投影，最后经变换器块输出语义桥特征；中部绿色区域是多频带语义空间对齐网络，频带切分后分出细带、中带、全带 3 路，每路标注耳间相位差与强度差并接入对齐块，3 路输出拼接后进入空间细化器得到目标掩膜。

右侧掩膜与原始谱相乘后经特征提取与方向预测器输出目标方向。下半部分展开单个对齐块，左侧为语义空间交叉注意力，右侧为语义引导的带间融合，最终输出对齐特征。这种先语义后空间的顺序对应人类先识别再定位的假设，也是全文方法的核心安排。

三个模块各自算什么、为什么这样搭配？

语义桥网络的输入是视觉表示与语义音频嵌入。原文视觉用预训练的对比语言图像编码器，音频语义用音频分类网络提取。两者维度不同，先各自线性投影，再在特征维拼接并再次投影，最后送入变换器块。计算目标是得到与目标身份绑定的语义桥特征，为后续提供查询。若直接把跨实例视觉提示与混合空间音频做交叉注意力，论文报告接近随机性能，说明模态失配严重，必须先在语义层面桥接。

耳间相位差 × 耳间强度差： 耳间相位差负责刻画双通道在各时频点的相位差，对低中频时延敏感，耳间强度差负责刻画双通道幅度比的对数差，对高频遮挡和能量差敏感，两者搭配的原因是单一线索在混响和重叠下易失效，论文在每个子频带内同时计算二者并堆叠为空间特征，再交给语义引导的注意力去挑选目标主导的频带。

多频带语义空间对齐网络的动机是空间听觉的频率依赖性。原文把频谱按 32 点带宽切为细带、按 128 点带宽切为中带，并保留全谱。对每种子带计算耳间相位差与耳间强度差，得到 3 路空间特征。细带保留精细频率结构，中带兼顾局部上下文，全带保留全局包络。不同事件能量集中区不同，例如低频乐器与高频鸟鸣，因此目标相关空间线索也可能随频带变化，这是引入频带建模的直接理由。

对齐块内部先对每子带空间特征用共享卷积编码到统一维度，再做交叉注意力。查询来自语义桥特征，键和值来自编码后子带特征，注意力输出为该子带的候选目标空间表示。随后把查询与键的内积作为语义注意力图，拼接所有子带注意力图后做均值池化与归一化，得到带重要性向量并加权求和。这样既在带内按语义挑选，又在带间按语义加权。

语义空间交叉注意力 × 语义引导的频带融合： 语义空间交叉注意力负责以语义桥特征为查询，以子带空间特征为键和值，抽取与目标身份相关的空间信息；语义引导的频带融合负责把各子带的注意力图拼接后做均值池化和归一化，得到每个子带的重要性权重并加权求和，分工上前者做带内挑选，后者做带间取舍，搭配后模型能给目标能量集中的频带更大权重，压制干扰主导的频带。

空间细化器把 3 路已融合特征在时间维做跨带加权求和，再用多层感知机预测时频掩膜。掩膜与原始频谱逐点相乘得到掩膜后频谱。方向预测器对掩膜后频谱再做多层感知机与归一化，输出方向后验。

空间细化器 × 时频掩膜： 空间细化器负责统一细带、中带和全带 3 路已对齐特征，它用多层感知机预测随时间变化的带权重并加权求和；时频掩膜负责把细化后特征映射为作用于原始频谱的掩膜，通过逐点相乘得到掩膜后频谱，分工上前者做跨带时间整合，后者做可执行的分离操作，组合后掩膜频谱直接作为测向预测器的输入。

组合意义在于：语义桥解决选谁的问题，多频带解决在哪些频率上看的问题，细化与掩膜解决如何把选择落到可测向频谱上的问题，三者缺一不可。

监督从哪里来、参数如何更新？

训练是端到端监督学习，不是无训练的检索或规则系统。监督有两个来源：一是掩膜后频谱与真值干净频谱之间的均方误差，称为重构损失；二是预测方向后验与高斯状真值分布之间的均方误差，称为测向损失。两者直接相加为联合损失，原文没有给出加权系数，理解为等权相加。优化器用自适应矩估计的解耦权重衰减版本，学习率报告为 5 乘 10 的负 3 次方，批量大小为 32，训练步数为 140k steps，在两块 4090 图形处理器上进行。短时傅里叶变换帧长为 64 毫秒，跳长为 32 毫秒。

重构损失 × 测向损失： 重构损失负责约束掩膜后频谱逼近目标干净频谱，采用均方误差；测向损失负责约束预测的 180 类方向后验分布逼近以真值为中心的高斯状分布，同样采用均方误差，两者相加为联合损失，分工上前者监督分离质量，后者监督方向分类，搭配后模型同时学会保留目标频谱结构和输出连续平滑的方向分布。

需要指出的缺项是：原文未明确视觉编码器与语义音频编码器在训练中是否冻结，也未说明梯度是否回传到这两个预训练 backbone，推理时提示池的重置时机是每次随机采样。复现时不应从模型名称推定冻结或微调，必须按缺项处理，先尝试冻结预训练编码器、只训练桥接与对齐部分，再在验证集上比较全量微调。数据构造方面，空间音频由单通道片段与随机房间脉冲响应卷积合成，共合成 10,000 条脉冲响应，随机改变房间尺寸、声源位置与混响时间。

提示图像先算帧的视觉嵌入与类别文本嵌入的相似度，选相似度最高帧并经人工核验，再按类组织成池。这种合成加人工核验的流程是可复现的关键，也是泛化到真实录音时可能出现域偏移的来源。

数据、基线与指标在什么条件下可比？

数据集是论文自建的 VGGSound-SSL，包含 13981 段空间音频，覆盖 296 类声音事件，每段约 10 秒，总时长约 39 小时，标注包括方向与物体类别。对比的已有数据集多为语音或少量事件，例如语音定位语料、真实录音但以男女声为主的集合，以及 13 类事件的真实场景集。构造上，音频从视频中抽 10 秒单通道并重采样到 16 千赫，再与随机房间脉冲响应卷积；图像从同视频抽帧，用视觉文本相似度选最匹配帧并人工核验，确保语义一致但空间无关。

基线包括纯音频的声事件定位检测网络和广义互相关多层感知机，以及 6 个音频视觉方法，涵盖多目标方向估计、视觉先验高斯、去强调图、生成式隐空间、动态注意力、视觉变换器与视听事件定位检测等路线。所有模型都在同一 VGGSound-SSL 上训练，训练混合为 0 分贝，测试在 0 分贝、负 5 分贝和负 10 分贝下进行，以考察噪声泛化。真实场景迁移在 STARSS23 上进行，每段取最频繁事件为目标，其余为干扰，用类别匹配的图像做提示。指标是平均绝对误差，越低越好，以及 5 度容差内准确率，越高越好。

下表整理构造与训练配置，数字与单位保留原文写法，便于复现时逐项核对。

表前已提出比较问题与公平条件：同一数据、同一混合方式、同一指标方向。下表后需要强调代价：合成脉冲响应与人工选帧带来可控性，但与真实房间、真实干扰分布仍有差距；训练只在 0 分贝下进行，低信噪比测试属于外推，性能下降应在预期内。未胜出项与边界将在结果节结合具体数字讨论，部署成本原文未报告推理延迟与参数量，不能从训练用两块高端显卡推定推理开销。

主结果测了什么、支持什么判断？

主问题是：在双源 0 分贝混合下，跨实例语义提示能否让模型选中目标并给出更准的方向。与谁比、条件是否一致是关键：所有基线与本方法都在同一 VGGSound-SSL 划分上训练与测试，输入均为混合双通道音频，音频视觉方法额外获得同类不同实例图像，纯音频方法没有提示。指标方向是误差越低越好、准确率越高越好。

下表聚焦 0 分贝与更低信噪比下的可运行策略对比，保留原文裸值，单位由表头与正文交代为角度与百分比。

表后解释主要收益与代价。报告显示本方法在 0 分贝下误差最低、准确率最高，优于所列音频视觉基线；纯音频基线准确率在 50% 附近，支持二选一任务中无语义指导时难以区分目标的判断。鲁棒性方面，所有模型都在 0 分贝训练、低信噪比测试，本方法在负 5 与负 10 分贝下仍保持最优，支持多频带对齐学到较具区分度的空间线索。但总体趋势不等于每组都同等改善，且低信噪比下本方法误差也从 16.59 度升至 23.08 度，准确率从 71.29% 降至 60.19%，说明噪声仍带来实质代价。

未胜出项是部分基线在 0 分贝下已接近 18 到 19 度误差，差距并非数量级；在真实场景集上所有模型性能都下降，本方法仍最优但绝对误差增大到 27.46 度，表明合成到真实的迁移边界尚未解决。

频谱可视化用于检查掩膜是否真的按语义去干扰，而不只是方向数字变好。

看图路径： 1. 逐行对比目标频谱、含噪频谱与掩膜后频谱三列的能量分布；2. 注意前三行红框干扰区在最右列是否被压暗或消除；3. 观察最后一行失败案例右列同时出现的过抑制与干扰残留标注

论文图 2。原论文 Figure 2：“Visualizations of AV-SSAN’s outputs on VGG-SSL. Each row shows a pair of overlapping sound events categorized by their dominant frequency regions: high (H), mid (M), or low (L).”。

从像素看，该图为四行三列，列依次为目标频谱、含噪频谱与掩膜后频谱，行依次为金丝雀鸣叫与打冰球、蛇嘶与拨弦吉他、法国号与响尾蛇，以及鸡叫与开柜门的失败案例。前三行中间列红框标出干扰能量区，最右列绿框标注干扰消除，可见干扰带被明显压暗而目标结构保留；第三行目标在低频、干扰在高频，掩膜后高频干扰被大面积抑制而低频目标保留，支持频率选择性假设。最后一行右列同时出现过抑制与干扰残留，目标竖条纹被压弱而底部干扰仍可见，论文将其归因于目标与干扰能量不平衡，这是一个明确的失败条件，说明当目标能量弱时语义引导的掩膜可能误伤目标。

拿掉哪一块会怎样、频带权重跟目标走吗？

消融问题是：语义桥、多频带、带注意力与空间细化器各自贡献多少。条件是同一 VGGSound-SSL、同一训练与评价流程，只改变模块组合。指标方向同主结果。需要强调原文只报告逐步累加的结果，没有报告单独拿掉中间一块而保留其余的对照，因此不能反推每一块的独立因果效应，只能说在该累加顺序下观察到增益。

表前已说明比较问题是模块累加是否单调改善，公平条件是数据与训练一致，指标方向明确。表后解释：报告显示仅用跨实例视觉与混合音频做交叉注意力时接近随机，准确率约 51.38%；加入语义音频表示后准确率提升约 10.61 个百分点、误差降低约 6.33 度，支持先在语义层桥接的必要性；再加入多频带建模后准确率继续提升约 6.05 个百分点，支持频率分解的价值；加入带注意力后达到 69.48% 与 17.98 度。

最后加入空间细化器达到 71.29% 与 16.59 度，额外带来 1.8 个百分点与 1.39 度改善。代价是这些数字是累加路径下的观察值，不能理解为每块独立贡献，且带注意力与细化器的增益相对较小，在新数据上可能波动。未评测边界包括不同带宽划分、不同子带数的敏感性，原文只给出细带 32、中带 128 与全带一种划分。 带注意力是否按目标频率分布工作，需要看权重图。

看图路径： 1. 对比每组上方面谱的目标主导带与干扰带标注位置；2. 对照下方权重图在相同频率区间是更大权重还是更小权重；3. 检查三组目标在高、中、低不同位置时权重是否都跟随目标走

论文图 3。原论文 Figure 3：“Visualizations of the ablation study on band attention. Our model assigns higher weights to frequency bands dominated by the target and suppresses interference-dominated bands.”。

从像素看，该图分 3 组，每组上方为频谱并标注目标主导带与干扰带，下方为权重图并标注更大权重与更小权重。左侧目标在高频、干扰在低频，权重图上部更大、下部更小；中间目标在低频、干扰在高频，权重图下部更大、上部更小；右侧目标在中高频、干扰在低频，权重同样跟随目标位置。这种跟随关系支持语义引导的带间融合确实按目标能量集中区分配权重，而不是固定偏好某一频段。但像素不能读出精确数值，只能做定性判断，且这只是所选样本的可视化，不能推广为所有类别都成立。

哪些结论还不能下、边界在哪里？

区分直接报告、有限解释与未验证推测很重要。直接报告的是：在给定合成数据、0 分贝训练、双源混合与跨实例提示池条件下，本方法误差与准确率优于所列基线，且在低信噪比与真实场景迁移中保持最优。有限解释的是：多频带与带注意力带来增益，可视化显示权重跟随目标，但这只是支持频率选择性假设的证据，不是因果证明。未验证推测的是：能量不平衡导致失败的归因，论文用可能性的语言指出目标过抑制与干扰残留与能量失衡有关，但未给出能量比与失败率的定量曲线，应表述为待验证。

缺失证据不是技术错误，但决定了不能承诺的内容。原文未测量误判率随角度间隔的变化，未报告参数量、计算量、推理延迟与输出帧率，因此不能声称实时性或部署成本得到改善。训练资源只说明用了两块显卡与 140k steps，不能换算为实际耗时。数据方面，提示图像经过按文本相似度挑选与人工核验，排除了语义不一致样本，真实应用中若提示图语义模糊或类内差异大，性能可能下降，而该边界未评测。方向离散为 180 类、容差为 5 度的设置也影响准确率口径，换容差会改变数字，不能跨论文直接比较绝对值。

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，不得声称代码、模型或数据已公开。复现应以论文正文与官方原图为准，不继承其他解读的推断。

要复现先做什么、需要补哪项验证？

复现的第一步是重建数据流水线，而不是先调模型。按原文交代，从视频取 10 秒单通道并重采样到 16 千赫，用图形处理器房间脉冲响应库合成 10,000 条脉冲响应，随机改变房间尺寸、声源位置与混响时间，再与干净音频卷积得到双通道；图像侧计算帧嵌入与类别文本嵌入相似度，选最高帧并人工核验，按类成池，训练与推理时从目标类池中随机抽不同实例。划分、采样种子与负样本选择必须固定，否则双源组合的随机性会淹没模块增益。

第二步是固定评价口径。用平均绝对误差与 5 度容差准确率，方向分 180 类，后验用高斯状平滑，取最大值为估计。训练混合固定 0 分贝，测试再做负 5 与负 10 分贝的外推；真实场景部分按最频繁事件为目标、其余为干扰，并用类别匹配图像做提示。基线应保留原文实际可运行策略，包括纯音频与多个音频视觉方法，不能用事后最优或 oracle 代替可部署收益。百分点与相对百分比要分开报告，避免把准确率提升的百分点误写成相对提升。

第三步是补验证。至少补三项：不同目标干扰能量比下的失败率曲线，以检验过抑制假设；不同频带划分与子带数的敏感性，以确认三带设计的稳定性；提示图类内差异度与语义模糊度对性能的影响，以评估跨实例泛化的真实边界。同时记录训练时长、参数量与单步推理延迟，把趋势结论落到可测成本上。若预训练编码器是否冻结不明，应分别报告冻结与微调两条路径，不从模型名称推定实现。

何时值得尝试这种先语义后空间的路线？

当任务是混合声中按语义选一路再定位，且无法获得空间配对的音画数据时，这条路线值得尝试。它的适用条件很具体：有类别一致的图像池或可用的跨模态语义编码器，声音事件在频率上有可区分的能量集中区，双通道能提供可用的相位差与强度差。若只有单通道、或目标与干扰频谱高度重叠、或提示语义本身模糊，预期收益会打折。

记住关键超参数与信息条件：方向 180 类、5 度容差、0 分贝训练混合、64 毫秒帧长与 32 毫秒跳长、细带 32 点与中带 128 点的三带划分、重构与测向损失直接相加。这些是复现的锚点，改动其中任何一项都应重新报告主结果与消融，而不是沿用原文数字。

回到中心矛盾：空间相关只能回答在哪里，语义对齐才能回答选谁。本文的判断是，在跨实例提示下，先用语义桥特征锁定身份，再用多频带对齐与掩膜落到可测向频谱，实测在合成与真实场景上都优于只做空间融合的基线，但能量不平衡与合成到真实的域偏移仍是明确代价。后续工作应先补能量比与提示质量的定量边界，再谈更大规模部署。

⚖️ 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

← 返回 aaai-2026 论文汇总