一次仿真、一次回归：用 372 维描述子把单条板混响脉冲反推回六个物理参数

英文题目：Simulation-Based Plate-Reverb Parameter Estimation from a Single Impulse Response ★

会议身份：conference:dafx:2026:conference-paper-id:DAFx26_challenge_81

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#模型集成 #信号处理 #高效推理 #房间脉冲响应估计

评分：5.5/10 | 创新 1.0/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.6/1.5 | 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：系统技术报告

👥 作者与机构

• Minhui Lu：机构信息未能从会议 PDF 纯文本可靠映射
• Joshua Reiss：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

第1届DAFx参数估计挑战任务A要求从单条未归一化板混响脉冲响应估计包含表面密度与刚度张力等六维物理与观测参数，密集重叠模态使频率幅值与衰减线索分散且量纲差异大。方法先用公开ModalPlate模拟器按公开范围采样原始参数并合成5秒位移响应以构造训练对，再将每条响应映射为372维涵盖尺度频谱与衰减的描述子。接着对归一化到允许区间的六个目标逐参数训练极端随机树与直方图梯度提升回归器并平均得到物理估计，最后经可行原始参数映射调用模拟器再生响应提交。与逐目标迭代仿真寻优的粒子群优化不同，该方法将仿真调用摊销到离线训练，推理仅需一次特征提取与回归因而无需优化迭代。在Validation 2验证集条件下，最终树集成的NMSE指标为0.012935，低于官方默认PSO的NMSE指标0.046023。该结论适用边界受限于模拟器匹配分布，两组独立合成验证集结果相近但16条真实目标因标签隐藏只能做音频侧一致性检查且点估计不带不确定性。在苹果M1 Pro笔记本硬件上验证集推理开销为10.75秒处理全集，远低于同条件默认PSO的2252.59秒，但计时不含数据生成与训练成本。

🔗 开源与复现资源

• 第三方资源：https://github.com/LOGUNIVPM/1st-DAFx-Challenge/tree/main/ — 链接可访问（HTTP 200）
• 第三方资源：https://github.com/LOGUNIVPM/1st-DAFx-Challenge — 链接可访问（HTTP 200） 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，哪些信息必须保留？

这篇论文只做第一届数字音频效果参数估计挑战赛的任务 A。输入是一条单通道、未归一化的板混响位移脉冲响应，时长为 5 秒，与发布目标时长一致。输出是一个 6 维向量，论文记为面密度、归一化刚度、归一化张力、板在 y 方向的尺寸，以及观测位置的两个坐标。初学者可以这样理解输入输出关系：输入是你在某个拾音点录到的一整条混响衰减波形，输出是能让仿真器重新生成一条类似波形的物理与观测设置。必须保留的信息有 3 类。

第一是绝对尺度，因为面密度控制整体响应幅度，如果提前把波形归一化，就会丢掉估计面密度的关键线索，论文因此强调特征直接从未归一化响应计算，不使用目标元数据。第二是频谱形状与模态频率格局，因为刚度比、张力比和板尺寸共同决定哪些频率上有哪些共振。第三是时间衰减与能量分布，因为不同频带的衰减快慢和早期晚期能量比携带了阻尼与观测位置信息。

论文反复提醒，板响应是大量在频率和时间上重叠的共振，不是几个孤立谱峰，所以估计目标是整体频率、幅度和时间结构，而不是找几个峰。

模态响应 × 脉冲响应： 模态响应负责说明物理与观测参数如何决定一组阻尼振动分量的频率、衰减和幅度，脉冲响应负责把这些分量叠加成一条可测量的时域波形，二者搭配的理由是任务 A 的 6 个参数不直接出现在波形采样点上，只能通过模态结构间接影响波形，组合意义是把参数估计转化为从叠加波形中恢复其背后模态总体结构的问题。

沿一条样本走一遍有助于建立整体依赖。假设仿真器先按公开范围抽一组原始参数并生成一条 5 秒脉冲，系统先对这条波形做描述子提取，得到固定长度向量，再把该向量送入 6 组回归器得到归一化估计，反归一化并裁剪到允许物理范围后得到 6 维估计，最后选一组满足估计不变量的可行原始参数重新调用仿真器生成提交用的脉冲。这个链条在论文中被写成从目标响应到特征向量再到归一化估计再到物理估计再到重生成响应的流水线。

训练与推理的分界很清楚：仿真调用只出现在离线造数和最终重生成，真正的估计只需要 1 次特征提取加 1 次回归。官方标签隐藏是贯穿全文的信息条件，它决定了论文只能在自造的标签已知合成集上谈参数精度，在 16 条发布响应上只能谈音频侧一致性。

已有路线如何处理密集重叠共振，为何本文换路线？

论文把相关路线分成 3 类，比较维度是同输入、同目标、同运行阶段。第一类是先做模态分析再映射到物理参数。经典做法把脉冲表示为阻尼正弦叠加，用 Hankel 矩阵、旋转不变子空间类方法或矩阵铅笔法估计频率、衰减和幅度。白话说，就是先把混在一起的振动拆成一个个单音，再看这些单音对应什么物理尺寸和材料。难点在于板混响的模态密集且重叠，第一步拆分本身就很困难，拆完还要再映射到任务 A 的 6 个目标。

第二类是分析合成。候选物理参数被送进仿真器，仿真结果与目标响应的差异被用来迭代更新参数，可微信号处理和可微模态仿真让梯度优化成为可能。挑战赛官方参考基线走的就是这条路线，用的是粒子群优化。它的优点是保留显式物理模型，缺点是每个目标都要重复仿真和迭代优化。第 3 类是基于学习的逆模型，把仿真评估搬到离线训练，可以直接估计参数，也可以为后续优化提供初值。

本文属于其中的直接估计变体，用紧凑树集成把固定维响应描述子 1 次映射到 6 个目标，再用官方仿真器重生成对应响应。

分析合成 × 直接逆模型： 分析合成负责在推理时对每个目标反复调用仿真器并迭代更新候选参数以缩小仿真与目标响应的差异，直接逆模型负责把仿真调用搬到离线训练阶段并学一个从响应描述子到参数的 1 次映射，二者搭配的理由是前者保留显式物理模型但单条代价高，后者用离线数据换取在线速度，组合意义是本文选择直接逆模型并用官方仿真器只做离线造数和最终重生成。

这种分类不是为了说哪类一定更好，而是为了讲清运行阶段差异。分析合成在测试时仍需优化循环，学习逆模型在测试时只有前向计算。论文的评估也围绕这个差异组织：一边是在合成集上比较参数误差，另一边是在相同合成集上比较默认粒子群与树集成的耗时。论文同时承认，已有可微精修路线没有被比较，更大粒子群、更多迭代或多次重启可能改善粒子群结果，因此默认配置下的耗时与精度对比只在所测试的预算下成立。

六个待估量各自影响响应的哪一部分？

论文明确写出任务 A 的 6 维目标，并解释了各自的分工。刚度比、张力比和板尺寸塑造模态频率格局，也就是共振出现在哪些频率上以及间隔如何变化。面密度控制绝对响应尺度，也就是整条波形是大是小。输出位置决定各模态在测量响应中的相对可见性，也就是同一个板在不同拾音点听起来某些共振强、某些弱。

教学上可以举一个不带数值的例子：同样一块板，把拾音点移到振动节点附近，某些模态几乎看不见，但板的真实尺寸和材料并没有变，估计器必须学会把可见性变化归因于位置，而不是误判为材料变化。反过来，改变张力会系统性移动整组模态频率，这种全局图案比单个峰更可靠。论文的结果部分也呼应了这个直觉：归一化刚度和张力的误差远小于输出位置坐标的误差，说明全局频率图案比单点可见性图案更容易从 1 次观测中识别。

理解这种分工是理解后面特征设计的前提：特征必须同时覆盖整体尺度、整体频谱形状和分频带衰减，否则无法区分 3 类影响。

离线造数与在线推理如何分开，仿真器在何处出现？

方法全景可以按数据流向分成上下两层。上层是离线训练，起点是按公开范围抽样的原始仿真参数，一路进仿真器生成合成训练脉冲再提取描述子，另一路把原始参数推导出的可辨识参数做区间归一化，两路汇成特征与归一化标签的监督训练对，用于拟合回归模型。下层是测试时推理，起点是发布的未知目标脉冲，经过同样的描述子提取、已训练逆回归器、反归一化，再进仿真器重生成提交脉冲。关键点是连接上下层的拟合箭头只在离线阶段使用，测试时不再造数、不再训练。下面的导读帮助你按阶段读图：先看测试主路径，再看训练分支，最后确认拟合箭头的方向。

看图路径： 1. 先沿下方紫色实线箭头从发布目标脉冲走完提取描述子到重生成脉冲的主路径；2. 再看上方灰色虚线框内训练参数如何分叉为仿真响应和归一化标签；3. 确认连接上下两部分的拟合箭头只在离线阶段指向已训练逆回归器；4. 对照图例区分离线训练虚线与测试时实线的使用阶段

论文图 2。原论文 Figure 2：“Overview of the Task A pipeline. Solid arrows show prediction for a released challenge response.”。

这张总览图的上方灰色虚线框内是离线训练，包含抽样训练参数、仿真器、描述子提取、参数范围归一化和监督训练对 5 个模块，虚线表示测试时不用。下方紫色横条是测试时推理，依次是发布目标脉冲、描述子提取、已训练逆回归器、反归一化、仿真器和重生成脉冲，实线表示测试时实际执行的路径。

从像素上看，训练分支中仿真输出的合成训练脉冲标注明确指向描述子提取，归一化标签用符号表示后汇入监督训练对，拟合箭头从监督训练对向下指向已训练逆回归器。测试路径中归一化参数与物理估计的符号在回归器与反归一化之间标出，最终重生成脉冲是整条链的输出。读图时不要把虚线拟合当成测试时的迭代，它只表示离线学到的模型被搬到在线使用。

372 维描述子具体汇总了哪些可计算量？

每个脉冲都被映射为 372 个标量组成的固定长度特征向量。论文列出的成分包括全局时域与能量汇总、早期晚期能量比、全响应谱质心与倾斜、9 个宽谱带的统计量、4 个频带的群延迟汇总，以及 6 个宽频率区域的带限衰减统计。

白话说，时域汇总回答波形整体有多大、能量集中在开头还是拖得很长，频谱汇总回答能量集中在高频还是低频、频谱是上翘还是下倾，分带统计回答不同频率区间各自的能量与衰减行为，群延迟汇总则从相位色散角度补充频率相关的到达结构。这些特征直接从未归一化响应计算，保留了面密度所需的绝对尺度线索。论文没有给出每个特征的数学定义清单，因此复现时只能按类别组织实现并保证总数为 372 维，不能声称与原文特征逐项一致。

需要强调的是，最终模型用的 372 维集合与早期候选模型用的 246 个通用描述子不同，论文明确指出早期模型是历史系统基线，而不是受控的归一化消融。

描述子提取 × 归一化回归： 描述子提取负责把变长、未归一化的脉冲响应压缩成固定 372 维的幅度、频谱和衰减统计量，归一化回归负责把每个目标参数先映射到其允许区间内的相对位置再分别学习，分工搭配的理由是原始 6 个目标量纲差异极大且波形尺度变化大，直接回归会被大尺度目标主导，组合意义是 1 次特征提取加 6 组归一化回归即可在不迭代的情况下输出全部参数。

从计算角度看，描述子提取是全文唯一的信号处理模块，它把物理影响分散到固定向量中：幅度类特征主要服务面密度，谱形状类特征主要服务刚度、张力和尺寸，衰减与能量比类特征辅助区分阻尼与位置效应。回归器本身不直接看波形，只看这 372 个数，因此特征是否保留尺度、是否覆盖高频至 12 千赫附近的结构，直接决定后续回归的上限。

归一化、双回归器平均与裁剪如何得到物理估计？

6 个目标量纲差异极大，论文先把每个目标映射到其允许区间内的归一化位置。白话就是把每个参数减去下界再除以区间长度，使它们都落在零到一附近，便于用同一类回归器学习。归一化范围的来源在原文有明确交代：板尺寸与观测坐标直接用公开边界，面密度、归一化刚度和归一化张力则由原始边界推导，推导关系用到面密度等于密度乘厚度，刚度与刚度比、张力与张力比的公式中固定泊松比为 0.25。推导出的范围跨度很大，张力比的上下界相差多个数量级，这也是先归一化再学习的重要理由。

可辨识参数 × 原始仿真参数： 原始仿真参数负责作为仿真器的输入，例如密度、厚度、弹性模量和张力，可辨识参数负责作为回归真正要估计的 6 维向量，其中面密度、归一化刚度和归一化张力是由原始参数组合推导出的不变量，二者搭配的理由是仿真器接口与估计目标不在同一参数空间，组合意义是训练时保留推导后的不变量作标签，提交时再找一组满足估计不变量的可行原始参数去重生成响应。

最终估计是两种回归器的平均。论文在相同特征与目标对上为 6 个归一化参数分别训练极端随机树和直方图梯度提升模型，前者用 500 棵树、最小叶尺寸 2 和稳健特征缩放，后者用 250 轮提升、学习率 0.04、正二正则千分之一和标准特征缩放。对一条目标响应，两种模型各自输出归一化估计，再分别反归一化到物理单位，最后取二者的平均并按分量裁剪到允许物理范围。挑战赛还要求从估计生成脉冲，因为仿真器接受的是密度、厚度等原始参数而不是面密度等不变量，所以需要选一组满足估计不变量的可行原始元组去合成响应。论文强调这一步是前向重生成，不是另 1 次音频匹配优化。

监督对如何构造，验证集如何避免只讨好一组数据？

训练部分没有神经网络训练，真实计算过程是仿真造数加树模型拟合。构造流程分 4 步。第一步按公开范围抽样原始仿真参数，板尺寸、厚度、张力、密度、弹性模量和观测坐标的区间在原文给出，泊松比固定。第二步用公开仿真器合成 5 秒位移脉冲，与发布目标时长匹配，同时保留推导出的可辨识参数作为监督标签。第三步对每条合成脉冲提取 372 维特征，对每个标签做区间归一化，形成特征与归一化标签的训练对。

第 4 步为 6 个归一化参数分别拟合极端随机树和直方图梯度提升模型，最终估计取平均。最终估计器用 1000 个合成样本训练。为了避免依赖某一个有利验证集，论文做了两组独立生成的标签已知集合：验证集一含 24 条响应，在模型开发期间使用；验证集二含 12 条响应，在最终估计器固定之后才生成，作为新鲜检查。发布响应的物理参数隐藏，因此它们不能用于监督训练或参数精度验证，只能用于音频侧一致性检查。

估计器本身不输出不确定性，给出的是点估计。下面的配置表把原文连续句子中报告的树模型超参数与数据规模整理成可对照的形式，数值与单位保留原文写法，条件列说明适用对象，避免把不同集合的条数混在一起。

表后需要说明代价与边界。双模型平均的代价是训练与加载成本翻倍，且论文结果显示平均并非在两个验证集上都优于单模型，因此不能把集成说成稳定增益。验证集规模很小，24 条与 12 条只能支撑匹配分布下的重复性检查，不能推广到失配或实测板。早期 246 维候选与最终 372 维模型在特征与归一化上同时变化，因此不能用来证明归一化本身的贡献，只能看作历史基线。未报告的内容也要点明：原文没有给出采样分布是均匀还是其他分布，没有给出树的最大深度与直方图分箱数，也没有报告训练耗时，复现时应固定随机种子并记录这些缺项。

参数误差、音频诊断与耗时在什么条件下可比？

实验按 3 个问题组织。第一个问题是参数准不准，只能在标签已知的合成集上回答。指标是归一化均方误差，做法是对每条响应的 6 个参数分别用估计减真值再除以该参数区间长度，平方后在参数维度和样本维度上平均，越低越好。比较对象包括 1000 个训练目标的均值、早期原始多输出极端随机树候选、归一化单模型以及最终树集成。

第二个问题是在发布集上重生成的声音像不像，用三项音频侧诊断回答：未归一化目标与重生成响应的绝对均方根级误差、分贝为单位，独立峰值归一化并加负 80 分贝地板后至 12 千赫的对数谱均方根误差，以及能量时间质心相对误差。论文明确说这些是局部音频侧诊断，不是官方参数分数。第 3 个问题是代价多大。

在验证集二上用公开粒子群默认配置跑 1 次固定种子的随机基线，设置为 10 粒子、5 迭代、惯性与加速系数为给定三元组，以及 3 种尺度的短时傅里叶多尺度谱损失，窗口与跳长组合在原文给出。耗时在苹果笔记本上测量，学习估计器的计时不含合成数据生成与训练，只含模型加载与特征提取。官方粒子群比较是 1 次随机实现，更大群体、更多迭代或重启可能改善粒子群，论文对此有明确保留。

归一化模型比均值与早期基线好多少，集成是否稳定占优？

比较问题是归一化单模型与集成是否在两个独立合成集上同时优于训练集均值和早期原始回归基线，公平条件是同一验证集、同一归一化均方误差定义且越低越好，发布集不参与本表。表后解释需要同时给出收益与反例：归一化模型在两个集上都明显低于均值与早期基线，最终集成在验证集一上最低，但验证集二上略高于归一化梯度提升模型，因此平均并非均匀有益。

上表报告的数字显示，训练集均值在两个验证集上的误差约为 0.047，早期原始极端随机树候选约为 0.026 与 0.022，归一化极端随机树与归一化梯度提升都降到约 0.012 到 0.015 区间，最终集成在验证集一上约为 0.0119，在验证集二上约为 0.0129。论文在共有验证集二上进一步报告，最终集成比官方默认粒子群降低约 71.9%，但这是 1 次固定种子的随机基线，不能理解为对粒子群方法的全面胜负。未胜出项必须点明：梯度提升在验证集二上略好于集成，说明集成没有在所有分布抽样下都占优。

参数精度 × 前向响应一致性： 参数精度负责在标签已知的合成验证集上度量估计值与真值的归一化均方误差，前向响应一致性负责在标签隐藏的 16 条发布响应上度量重生成响应与目标在响度、频谱和能量质心上的接近程度，二者搭配的理由是发布集无法直接算参数误差，只能用音频侧诊断补位，组合意义是前者证明方法在匹配分布下有效，后者只说明重生成声音像不像，不能反推参数一定准。

分参数结果进一步揭示了误差结构。下面的分参数表比较的是最终集成在 6 个参数上的误差，条件仍是同一合成验证集与同一指标，越低越好。表后解释是归一化刚度与归一化张力在两个集上误差最小，输出位置坐标之一在各自集合上误差最大，但最难的坐标在两个集之间发生反转，说明单点可见性图案最难且不稳定。

具体看，归一化刚度在两个集上的误差低至万分之几到十万分之几，归一化张力也在千分之一附近，而板尺寸与观测坐标的误差高出一个数量级以上。面密度居中，约为 0.009 到 0.01。这种不均匀性提示后续工作应重点处理位置歧义，例如增加多个观测点或引入不确定性描述，而不是继续压缩已经很小的刚度与张力误差。

哪些对照能读，哪些不能当作消融？

论文实际给出的对照有 3 组，但只有部分能按消融理解。第一组是训练集均值对照，它回答不学任何映射只猜平均会怎样，归一化模型大幅低于它，支持特征与回归学到了有效结构。第二组是早期原始多输出极端随机树候选，它用了 246 个通用描述子而不是最终 372 维特征，且没有逐参数归一化，因此它是历史系统基线，不能用来分离归一化本身的贡献，论文对此有明确声明。

第 3 组是归一化极端随机树、归一化梯度提升与二者平均的比较，它回答同特征同标签下单模型与平均的差异，结果是集成在验证集一最好、在验证集二被梯度提升略超，支持平均有益但不均匀的判断。缺失的对照也要如实指出：没有逐项去掉某类特征的实验，没有只改缩放方式的受控实验，没有可微精修的比较，也没有失配板或实测板的验证。

下面的宽表把耗时与数据规模等论文特有细节整理成可运行条件的对照，数字全部来自全文连续原句，单位与数值保留原文写法。

表后解释必须区分训练与推理开销。论文报告的 210 倍降低是参数估计时间的降低，在所测试的默认粒子群预算下成立，且学习估计器的计时排除了合成数据生成与训练。如果把离线造数与训练算进来，总成本对比会不同。推理期迭代次数为零是因为方法只有 1 次前向计算，没有逐目标优化循环，这与分析合成类方法有本质区别。未评测边界是更大粒子群、更多迭代、多次重启以及可微精修，这些都可能改变耗时与精度的权衡，不能用当前 1 次实现代替。

匹配分布、隐藏标签与点估计带来哪些明确限制？

第一个限制是分布匹配。两个验证集都是独立生成但与训练同仿真器、同范围的合成数据，规模分别只有 24 条与 12 条。相似的集成误差支持在匹配分布内的重复性，而不是对有利划分的依赖，但不能推广到参数范围外、仿真失配或实测板。第二个限制是发布集标签隐藏。16 条发布目标只能做响度、频谱和能量质心等音频侧诊断，中位数与最大失配的报告显示一致性在目标间差异很大，其中一条编号靠后的目标在三项诊断上都是最大失配。

论文明确指出，参数误差与响应相似性相关但不可互换：小参数误差可能通过模态频率偏移累积相位差，大参数差异也可能保留相似的谱或时间特征，因此音频诊断只能补位，不能代替合成集的参数评估。第 3 个限制是估计形式。方法只返回点估计，不给不确定性，无法表达位置坐标等难参数的多解性。第 4 个限制是基线预算。官方粒子群只跑了 1 次固定种子默认配置，学习方法的计时又排除了训练，比较时必须保留这些条件。

论文还提醒，历史基线不是受控消融，集成收益不均匀，未来应分离每个设计选择，并研究不确定性感知精修、失配或实测板以及多观测位置。

复现应先固定什么，再跑什么，缺什么要记录？

复现的第一步是确认资源状态。本次收到的官方原图像素与正文开源声明依据是两个第三方链接，两个链接当前可用，状态码为 200，分别指向挑战赛主仓库与分支路径，仿真器与默认基线应从这些公开仓库获取。论文的演示页提供了 4 组听感、波形与语谱图比较，可用于定性核对，但不能当作参数精度的证据。第二步是固定数据构造。

按公开范围抽样原始参数，用公开仿真器合成 5 秒脉冲，保留推导不变量作标签，训练用 1000 条，验证分别构造 24 条与 12 条，且第二组应在最终模型固定后才生成，以检验对单组验证集的依赖。第三步是固定特征与标签处理。实现 372 维的时域能量、早晚能量比、谱质心倾斜、分带统计、群延迟与带限衰减等类别，并在归一化时对尺寸与位置直接用公开边界、对推导量用公式与固定泊松比计算区间。第 4 步是固定回归配置。

极端随机树与梯度提升的树数、叶尺寸、学习率与正则化按原文设置，6 个参数分别训练后取平均并裁剪。第五步是固定评估口径。合成集用归一化均方误差，发布集用响度误差、对数谱误差与能量质心误差，耗时分别记录估计时间与是否含训练。缺项必须记录：采样分布、树的最大深度与分箱数、训练耗时、重生成时选择可行原始元组的具体规则，以及粒子群的随机种子。这些缺项不影响理解主链条，但会影响逐数复现。

何时值得用这条一次回归路线，还需补哪项验证？

当任务是单条脉冲、单观测点、需要在测试时快速给出物理初值，并且有可信仿真器能离线大量造数时，这条路线值得尝试。它的价值不在于证明树模型优于一切优化，而在于把仿真调用摊销到离线，用 1 次特征提取加 1 次回归换取低推理成本，并在匹配分布下达到比训练均值、早期基线和所测默认粒子群更低的参数误差。

复现时应先跑通仿真到特征到回归再到重生成的闭环，再检查分参数误差是否呈现刚度与张力小、位置大的结构，最后用新鲜验证集确认集成是否稳定。当需要更高精度或可解释的不确定性时，应把该估计作为快速初值，再接不确定性感知的物理精修或多观测联合估计。还需补的验证很具体：失配参数范围与实测板的泛化、特征类别的受控消融、更大预算粒子群与可微精修的同条件比较，以及对最大失配发布目标的个案分析。

只有补上这些，才能判断 1 次回归的低成本是否在更广条件下依然成立。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

区域 1 · 查看论文原页

区域 2 · 查看论文原页

区域 3 · 查看论文原页

区域 4 · 查看论文原页

区域 5 · 查看论文原页

区域 6 · 查看论文原页

另有 5 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 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 dafx-2026 论文汇总