直接在可运行网络上优化混响：模块化反馈延迟网络的实时拆解与调参

英文题目：FDN Sandbox: Real-Time Experimentation and Analysis of FDNs

会议身份：conference:dafx:2026:conference-paper-id:DAFx26_demo_68

✅ 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：#开源工具 #信号处理 #实时处理 #空间音频渲染

评分：6.8/10 | 创新 1.0/2 | 技术严谨 1.0/1.5 | 实验充分 0.7/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 1.2/1.5 | 可复现 0.1/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：系统技术报告

👥 作者与机构

• Alexandre St-Onge：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

反馈延迟网络以干声或单位脉冲为输入、人工混响脉冲为输出，难点在于数十个延迟、反馈矩阵与滤波器参数相互耦合，易产生金属染色与非自然衰减且难以对齐目标房间。先由库层以典型反馈延迟结构为输入，负责将其拆分为输入增益、延迟线、反馈矩阵、环路滤波器、输出增益与音色校正等可替换构件并集成滤波器反馈矩阵与丝绒噪声去相关扩展，输出为可实时运行的同一套生产对象。再由应用层以上述实时对象为输入，负责提供音频播放、卷积混响对照试听与随参数动态更新的十余种分析视图，输出为可观测的人工调参状态，该状态直接作为优化层的待优化起点。最后由优化层以该实时对象及其冲激响应为输入，负责用ensmallen九种算法做黑盒优化并在需梯度时以前向或中心有限差分估计梯度，输出为无染色与房间脉冲响应匹配两类任务的优化参数。在Intel Core i9-12900K处理128采样点的评测设置下，8通道sfFDN的耗时指标为7.3 µs，低于RTFDN对照的耗时指标15.0 µs。与紧耦合可微分框架不同，该设计省去可微重实现而复用同一套生产代码做优化，6通道无染色优化实现回声密度更快建立与模态激励分布变窄，房间匹配在展示频带贴合合成目标并改善初始能量偏移。其适用边界受限于展示的合成房间与小规模设置，尚未验证真实测量RIR、多房间统计与主观听感，而推理开销在该硬件上随通道数增长，32通道仍保持低延迟优势。

🔗 开源与复现资源

• 代码相关资源：https://github.com/Segfault1602/sfFDN — 链接可访问（HTTP 200）
• 代码相关资源：https://github.com/Segfault1602/FDNSandbox — 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，目标是什么，本文交付了什么？

本文的输入是反馈延迟网络研究中长期存在的工程断层。一方面，大量改善音质的方法在 MATLAB 中得到验证。另一方面，游戏、虚拟现实和现场音乐制作需要能在实时线程中稳定运行的实现。两边的代码形态和性能约束并不相同，直接搬运往往走不通。

目标是让研究生能直接动手改参数、听效果、看分析曲线、跑优化，而不是只读公式。论文为此交付了两样东西。第一是名为 sfFDN 的模块化实时 C++ 库，它实现经典反馈延迟网络以及滤波器反馈矩阵、天鹅绒噪声去相关滤波器和 2 阶段图形均衡器等扩展。第二是名为 FDN Sandbox 的交互应用，它把库中的网络暴露为图形界面，提供实时可视化和基于 ensmallen 优化库的参数优化框架。

资源状态方面，本次收到的官方资源显示两个代码仓库当前可用，已经公开可访问，分别是 sfFDN 库和 FDN Sandbox 应用。本文讨论的任务只是人工混响中的反馈延迟网络设计与调参，不涉及神经网络声码器或端到端语音合成。后续所有数字、结构和优化流程都只来自论文原文证据，不引入外部评价。

这项工作站在哪条研究路线上？

人工混响可以粗分为卷积混响和合成混响。卷积混响直接用测得或仿真的房间脉冲响应做卷积，音质逼真但内存和计算开销大，且难以连续调节混响时间。反馈延迟网络属于合成混响，用少量延迟线加反馈矩阵循环产生密集反射，计算便宜且灵活，但参数多，调不好会出现金属染色和不自然衰减。

论文把相关工作分成 3 类。第一类是经典结构与工具，例如 Schroeder、Gerzon、Stautner 与 Puckette、Jot 与 Chaigne 的工作，以及 MATLAB 的 FDN Toolbox。第二类是近年扩展，例如天鹅绒噪声反馈延迟网络和散射反馈延迟网络，它们分别从去相关和频率相关散射角度改善听感。第 3 类是可微分数字信号处理方法，用可微分反馈延迟网络做去染色和房间脉冲响应匹配。

论文的选择是不要求网络本身可微，而是直接在真实可运行的 C++ 网络上做优化，用有限差分估计梯度。这样做的好处是优化得到的参数就是实际部署的参数，避免了可微分实现与实时实现不一致的问题。代价是每次梯度估计需要多次前向运行脉冲响应生成，优化效率受前向成本限制。

为什么反馈延迟网络难调？

举一个教学用的例子帮助理解，但例子中的数值仅为说明，不代表论文测量。假设你有 6 条延迟线，每条延迟几十毫秒，反馈矩阵决定每条线的输出有多少送到其他线。如果矩阵接近单位矩阵，能量各自循环，某些共振模式会被反复加强，听起来就是金属声。如果延迟时间成简单整数比，共振峰会在频谱上等间隔出现，同样产生染色。

论文指出的问题正是参数空间大且耦合强。输入增益决定每个模式被激励的强度，输出增益决定每个模式被观察到的强度，反馈矩阵决定模式之间的耦合，延迟长度决定模式频率，环路衰减滤波器决定每个模式衰减多快。改一个参数会同时改变染色、回声密度和衰减曲线。更难的是房间匹配任务，目标房间在不同频带混响时间不同，需要同时拟合整体衰减斜率和起始能量。

传统手工调参只能凭经验试听，可微分方法虽然能自动调，但其训练代码往往与机器学习框架紧耦合，难以评估真实实时性能。因此论文把问题定义为需要一个既能实时试听，又能定量分析和自动优化的实验平台。

从一个脉冲到一段混响：系统走通了哪条路？

先沿一个样本的旅程走完系统。输入是一个脉冲或待加混响的音频帧。第一步经过输入增益分配到多条延迟线。第二步每条通道经过自己的延迟，再经过环路滤波器施加频率相关的衰减。第三步滤波后的信号一分为二，一路经过输出增益进入混音，另一路进入反馈矩阵重新混合后送回延迟线输入，形成循环。

第四步所有通道的输出增益求和，再与直达路径信号汇合，最后经过音色校正滤波器得到输出。直达路径中还可以按需加入有限脉冲响应滤波器来表示早期反射。这种安排把干声、循环混响尾和整体均衡放在不同位置处理。

下面结构图把上述路径画成了可替换模块，颜色块对应输入增益、延迟线、环路滤波器、反馈矩阵、输出增益和音色校正，阅读时先找主前向路径再找反馈闭环。

看图路径： 1. 沿左侧输入箭头找到绿色输入增益再进入黄色延迟线的先后顺序；2. 观察红色环路滤波器之后信号如何分叉到蓝色输出增益和下方反馈矩阵；3. 确认顶部直达支路如何绕过循环体进入右侧求和；4. 对比各颜色块边界理解模块可替换位置

论文图 1。原论文 Figure 1：“Architecture of the FDN implementation.”。

该图显示输入在左侧进入后先分到纵向排列的输入增益，再经加法器进入延迟线，随后进入环路滤波器，然后分叉到输出增益和下方反馈矩阵。反馈矩阵的输出回到延迟线前端的加法器，形成闭环。顶部还有一条直达路径绕过循环体，直接进入右侧求和，最右侧是音色校正模块。这种画法的教学价值在于把经典结构拆成输入增益、延迟线、反馈矩阵、环路滤波器、输出增益、音色校正和直达增益 7 个构建块，库中每个构建块都有基类，新扩展通过继承音频处理器基类加入。

库把网络拆成了哪些可替换零件？

sfFDN 库的设计思想是受 FDN Toolbox 启发，但面向实时。经典反馈延迟网络被拆成独立构件，每个构件负责一段明确计算。输入增益和输出增益控制模式激励与观测，延迟线提供时间扩散，反馈矩阵提供通道间混合，环路滤波器提供频率相关衰减，音色校正提供整体均衡，直达增益提供干声与早期成分的比例。

论文列出的可选项包括常数与时变增益、多种正交矩阵、时变延迟线和多种无限脉冲响应滤波器。近年扩展也被纳入，包括滤波器反馈矩阵和天鹅绒噪声滤波器。2 阶段衰减滤波器采用文献中的倍频程设计，在房间匹配优化中提供多个频带的控制能力。

反馈延迟网络 × 延迟线： 反馈延迟网络负责给出整体混响结构，也就是多通道信号分别延迟后再互相反馈混合的框架，延迟线负责给出每条通道的具体延迟时间。两者搭配的原因是只有延迟时间互不相同，反馈混合才能产生足够密集又不规则的反射序列，组合后新增的作用是可以用延迟长度控制反射密度和模式间隔，再用反馈混合控制能量在通道之间的重新分配。

从计算角度看，延迟线长度决定了反射到达的时间格局，反馈矩阵决定了能量在通道间的流动格局。延迟线越长，模式间隔越密，但内存和初始延迟也越大。反馈矩阵若是正交的，理想无损耗情况下能量守恒，再乘以衰减滤波器就能得到指数衰减。若把矩阵换成滤波器矩阵，则不同频率的混合方式不同，可以在不增加延迟线数量的情况下增加散射复杂度。

反馈矩阵 × 滤波器反馈矩阵： 反馈矩阵负责在每个时刻把各延迟线输出按系数重新混合后送回输入，常数正交矩阵保证理想情况下能量不发散，滤波器反馈矩阵负责让混合系数本身随频率变化。搭配理由是真实房间不同频率的散射和吸收并不相同，常数矩阵难以同时兼顾高低频，组合后新增的作用是在反馈回路内部引入频率相关的散射，从而改善高频金属感而不破坏整体稳定性思路。

衰减与音色为什么要放在不同位置？

环路内的衰减滤波器每循环 1 次就作用 1 次，因此它的微小频率差异会被循环放大，最终决定混响时间的频率曲线。输出端的音色校正只作用 1 次，主要修正整体频谱倾斜而不改变衰减斜率。论文在房间匹配中同时优化两者，正是利用了这种分工。

这种位置差异对调试很重要。如果混响尾巴高频消失太快，应该先检查环路衰减滤波器的高频混响时间。如果整体声音偏亮或偏暗但衰减斜率正常，则更可能是输入输出增益或音色校正的问题。把两者分开可以避免来回调参。

衰减滤波器 × 音色校正滤波器： 衰减滤波器负责控制混响随时间衰减的速度，通常按频带设定不同的混响时间，音色校正滤波器负责修正整体输出的频率响应。搭配原因是只调衰减会留下输入输出增益和延迟结构带来的整体染色，只调音色又无法得到正确的衰减包络，组合后前者管混响尾巴的斜率，后者管听感亮暗，共同决定最终脉冲响应的能量衰减形态。

库层面还支持常数与时变输入输出增益、Hadamard、Householder、随机正交、循环和嵌套全通等反馈矩阵。时变延迟线和多种无限脉冲响应滤波器也在可选范围内。新增组件通过继承统一基类加入，因此研究者可以在不改动主循环的情况下试验新的矩阵或滤波器结构。

没有神经网络训练时，优化器到底在算什么？

本研究没有训练神经网络，因此本节实际讲的是直接优化过程。优化对象是真实 sfFDN 网络本身，不需要可微分实现。流程是给定一组参数，前向生成脉冲响应，计算损失，再用优化算法提出下一组参数，循环直到满足容差或评估次数上限。

对于需要梯度的算法，梯度用有限差分计算，用户可在界面选择前向差分或中心差分。前向差分每次扰动做 1 次额外前向，中心差分做 2 次，精度更高但成本翻倍。论文支持两类优化。第一类是去染色优化，调输入输出增益和正交矩阵系数，目标是减少模式染色。第二类是房间脉冲响应匹配，调频率相关的混响时间、音色校正增益和全局增益，目标是拟合目标房间的衰减结构。

两类优化都支持来自 ensmallen 库的 9 种算法，包括梯度下降、Adam、L-BFGS、同时扰动随机逼近、模拟退火、交叉熵方法、差分进化、粒子群优化和协方差矩阵自适应进化策略。去染色分支的损失是频谱平坦度损失与时域稀疏度损失的加权和，房间匹配分支的损失是梅尔尺度能量衰减相对误差与能量衰减曲线相对误差的加权和。

频谱平坦度损失 × 时域稀疏度损失： 频谱平坦度损失负责让脉冲响应的功率谱尽量接近噪声那样的平坦分布，以压制突出的共振峰，时域稀疏度损失负责防止脉冲响应在时域过于稀疏而导致回声密度过低。搭配原因是只优化平坦度容易得到频谱很平但回声很稀的解，组合后一个从频域约束染色，一个从时域约束密度，用权重平衡两者，论文用加权和同时优化输入输出增益和反馈矩阵。

频谱平坦度定义为功率谱几何平均与算术平均之比，越接近 1 越像噪声，越接近 0 越像纯音。论文把平坦度损失定义为生成脉冲响应平坦度与 0.56 差的绝对值，其中 0.56 是长度 48000 采样的随机噪声信号平均平坦度的经验值。时域稀疏度损失定义为脉冲响应的二范数与一范数之比，用于惩罚过于稀疏的解。权重可由用户调节，早期反射可通过在直达路径加入有限脉冲响应滤波器纳入优化。

能量衰减曲线 × 梅尔尺度能量衰减： 能量衰减曲线负责描述全频带能量随时间的整体衰减过程，梅尔尺度能量衰减负责描述按听觉频率划分的子带能量如何随时间和频率共同衰减。搭配原因是只看全频带曲线会掩盖某个频带衰减过快或过慢的问题，组合后前者约束整体混响时间，后者约束频率相关的衰减结构，共同作为房间脉冲响应匹配的目标。

需要指出的缺项是论文未报告有限差分步长、容差、最大迭代次数等超参数的系统扫描，也未说明优化时延迟线长度是否冻结。从描述看延迟线在两类优化中均未列为优化变量，应理解为固定，但原文没有明确写出冻结语句，复现时应先固定延迟再调其他参数。

性能和房间拟合分别在什么条件下测的？

论文的实验条件分为性能测试和优化演示两部分。性能测试测量处理 128 采样音频所需时间，单位为微秒，比较 sfFDN 与文献中的 RTFDN 实现在反馈延迟网络尺寸为 4、6、8、16、32 时的耗时。测量机器为 Intel Core i9-12900K CPU 的计算机。

房间匹配演示的目标房间脉冲响应用 pyroomacoustics 库经图像源与射线追踪混合方法生成，对应的早期反射滤波器用同样方法在最大反射阶数为 3 的条件下生成。优化采用倍频程滤波器设计，提供 10 个频带控制。去染色演示用 6 通道反馈延迟网络，展示优化前后回声密度与模式激励分布的变化。应用界面还提供损失曲线、耗时与评估次数显示，便于观察优化收敛。

下面的主界面截图展示了左侧参数区与右侧脉冲响应和语谱图区的联动关系，阅读时先看左侧控制再看右侧波形与时频图如何变化。

看图路径： 1. 查看左侧输入增益输出增益延迟条形图和反馈矩阵热力图的分区布局；2. 查看右上脉冲响应横轴采样点与纵轴幅度的对应关系；3. 查看右下语谱图横轴时间纵轴频率与右侧能量颜色刻度的对应关系

论文图 2。原论文 Figure 2：“Main interface of the FDN Sandbox application.”。

该截图左侧纵向排列了输入增益条形图、输出增益条形图、延迟条形图和反馈矩阵热力图，右侧上方是脉冲响应波形，横轴为采样点，纵轴为幅度，下方是语谱图，横轴为秒，纵轴为频率，右侧颜色条表示能量分贝值。教学上可以这样操作，先改左侧反馈矩阵，观察右侧语谱图高频拖尾是否变化，再改延迟，观察脉冲响应早期部分密度变化。这种实时联动是 MATLAB 离线脚本难以提供的。论文未报告音频采样率、缓冲之外的端到端延迟、CPU 占用率随可视化开关的变化，也未报告多次运行的方差，因此性能数字应理解为单机单次测量条件下的指示值。

更快了吗，去染色有效果吗？

先看实时性能问题，在相同通道数和相同 128 采样块长下，sfFDN 是否比可运行的 RTFDN 基线更快。比较的公平条件是同一台 Intel Core i9-12900K 机器上的直接计时，通道数从 4 到 32 覆盖小规模到大规模网络，指标方向是耗时越小越好。

表中 sfFDN 在全部测试尺寸下耗时都低于 RTFDN，而且优势随尺寸增大而扩大。在小尺寸 4 通道时两者差距不到 1 倍，在 32 通道时 sfFDN 约为 31.2 微秒而基线为 112.0 微秒，差距接近数倍。这支持模块化 C++ 实现达到实时能力的判断。但限制是论文只给了一种块长和一台机器的结果，没有给出 CPU 占用百分比、内存、不同编译优化或不同操作系统下的表现，也没有统计多次测量的波动，因此不能把该表推广为所有平台都成立。未胜出项方面，基线在小尺寸下仍处于微秒量级，对于离线生成脉冲响应而言两者都足够快，实时优势主要体现在大通道数和低延迟现场场景。

去染色方面，论文报告 6 通道网络优化后回声密度建立更快，模式激励分布更窄。下面两张子图分别显示了这两个现象，阅读时先对照图例再比较曲线形状。

看图路径： 1. 在左图比较初始与优化曲线在 0 秒到 1 秒区间上升速度的差异；2. 在右图比较初始分布与优化分布的峰宽和高峰位置变化；3. 确认两图图例中初始与优化曲线的颜色对应关系

论文图 4。原论文 Figure 4：“Echo density profile (a) and modal excitation distribu- tion (b) of the optimized FDN compared to the initial FDN.”。

左图横轴为时间秒，纵轴为回声密度，蓝色为初始，橙色为优化后，优化曲线在 0.5 秒附近已接近 0.9 而初始曲线还在 0.7 附近，说明早期反射更密集。右图横轴为幅度分贝，纵轴为概率密度，优化后分布峰更高更窄，尾部大能量模式减少，这与染色减少的解释一致。但论文只展示了单次优化的可视对比，没有给出频谱平坦度数值的前后变化、听感评分或多次随机种子的统计，因此该结果应理解为演示有效性而非普适保证。

房间匹配与分析合成方法差在哪里？

房间匹配要回答的是优化后的能量衰减能否同时对准斜率和起始能量。论文把优化结果与目标房间脉冲响应以及 RIR2FDN 分析合成方法得到的结果放在同一组子带能量衰减图中比较。每个子带横轴为时间秒，纵轴为能量衰减分贝，3 条曲线分别为目标、优化和分析合成。

看图路径： 1. 逐个子带确认目标曲线优化曲线和分析合成曲线的三者相对位置；2. 重点观察低频与高频子带中分析合成曲线在起始能量上的偏离；3. 注意横轴时间范围随频率升高而缩短的面板安排

论文图 5。原论文 Figure 5：“EDR of the optimized impulse response compared to the target and to the impulse response obtained through the RIR2FDN analysis-synthesis method [18].”。

从可见内容看，在中频子带优化虚线紧贴目标黑线，说明斜率和电平均拟合较好。分析合成曲线能跟住斜率，但在起始能量上存在整体偏移，尤其在低频和高频子带更明显。论文的解释是优化过程成功匹配了目标能量衰减，而分析合成方法难以匹配初始能量水平，导致曲线间出现偏移。这个对比支持直接优化在拟合起始能量上的优势。但边界是目标房间是仿真生成的 pyroomacoustics 脉冲响应，不是实测房间，且早期反射滤波器同样来自仿真并限定最大反射阶数为 3，因此不能直接推广到强早期反射或强耦合空间的实测房间。

不同频带优化参数数量固定的事实也值得单独列出。下面参数构成表说明房间匹配分支的可调自由度全部来自滤波器设计，问题规模不随反馈延迟网络通道数变化，阅读时注意 3 组参数如何加总为总数。

该表显示房间匹配优化只调混响时间、音色校正增益和全局增益 3 组参数，总数为 21 个，其中混响时间与音色校正各占 10 个频带，全局增益占 1 个。这种设计把通道数相关的矩阵优化与频带相关的衰减优化解耦，前者管染色，后者管房间包络。代价是延迟线和矩阵在房间匹配阶段被固定，若初始矩阵染色严重，仅调衰减可能无法完全掩盖。论文也没有做去掉音色校正或去掉全局增益的消融，无法判断 21 个参数中哪几个对起始能量最关键。

哪些结论还不能下，哪些验证还缺？

首先区分 3 类表述。论文直接报告的是单机耗时数字、6 通道去染色前后曲线形状变化、以及仿真房间下优化曲线比分析合成更贴近目标起始能量。有限解释是模式激励分布变窄与染色减少相关，这有文献支撑但本文没有听感实验。未验证推测是生产环境适用性和普遍听感改善，本文没有提供双盲听音、误判率、端到端延迟或移动端 CPU 测量，因此不能承诺这些量得到改善。

缺失的验证包括多次随机种子的统计、不同延迟初始化下的稳定性、有限差分步长对收敛的影响、9 种优化算法之间的系统比较，以及实测房间脉冲响应的匹配效果。论文列出了 9 种算法但演示只展示了部分结果，读者不应默认所有算法都同样有效。总体趋势不等于每组都成立，例如大通道数性能优势明显，不代表小通道数也有同等工程收益。

相关性也不是因果，回声密度更快建立可能来自输入输出增益调整，也可能来自矩阵调整，本文没有分离两者贡献。Sandbox 的可视化虽然丰富，但可视化本身的计算开销未被量化，实际部署时关闭界面后的性能可能与演示时不同，这一点需要单独测量。

要复现，先跑通什么，再调什么？

复现的第一步是区分代码开源与系统可运行。论文声明库与应用均开源，本次资源核验显示两个仓库链接当前可用。先克隆 sfFDN 仓库并按说明编译运行其自带示例，确认能在本机处理 128 采样块并测量耗时，再克隆 FDN Sandbox 并打开主界面，确认能生成脉冲响应并听到试听输出。

第二步固定实验条件，记录采样率、块长、编译器与优化选项、CPU 型号，因为耗时数字只在相同条件下可比。第三步先复现性能表，用 4 到 32 通道各跑多次取均值与方差，不要只跑 1 次。第四步复现去染色，固定延迟线，选用随机正交、随机 Householder 或循环矩阵中的一种，按论文用输入输出增益加矩阵系数作为变量，用频谱平坦度加时域稀疏度加权损失优化，观察回声密度与模式激励分布是否出现同方向变化。

第五步复现房间匹配，用 pyroomacoustics 生成仿真目标与 3 阶早期反射滤波器，采用 10 频带倍频程设计，优化 10 个混响时间、10 个音色校正增益和 1 个全局增益，共 21 个参数，对比能量衰减与能量衰减曲线的拟合情况。关键超参数如损失权重、差分步长和容差需在界面记录并随结果一起保存，否则他人无法重放。常见误解是把 Householder 或循环矩阵的参数量当成与随机正交矩阵相同，实际上前两者只需每通道一个参数即可定义矩阵，因此优化更快，大网络应优先用它们做初步搜索。

何时值得尝试这个工具，还需补哪项验证？

当你的任务是需要在实时线程中运行反馈延迟网络，并且希望在动手调参的同时看到语谱图、能量衰减曲线和回声密度变化，这个工具值得尝试。当你的任务是把合成混响匹配到某个目标房间，且能接受先用仿真房间验证流程，再过渡到实测房间，这个优化框架也值得尝试。相反，如果你只需要离线生成一批脉冲响应，或者已有成熟卷积混响管线，那么实时优势对你意义不大。

还需补的验证取决于用途，做产品需要补端到端延迟、CPU 占用、多平台测试和听感评价，做研究需要补多次随机种子统计、不同优化算法的收敛曲线、以及延迟线也纳入优化后的效果。教学上建议把本文当作实验手册而非定理证明，先用可视化建立参数到现象的映射，再用小规模优化理解损失设计，最后再扩大到房间匹配。

记住本文的核心判断是工程性的，用直接优化真实网络绕开可微分实现，用模块化换取可扩展性，证据支持其在测试条件下的速度和拟合能力，但听感与泛化仍待验证。

📐 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。

另有 8 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