SEND: A Spatial Event Neural Detector for Intentional Object Motion in Immersive Music Mixing

英文题目：SEND: A Spatial Event Neural Detector for Intentional Object Motion in Immersive Music Mixing

会议身份：conference:dafx:2026:conference-paper-id:DAFx26_paper_09

✅ 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：#主观评测 #Transformer #音乐 #空间音频信号 #音频事件检测

评分：6.7/10 | 创新 1.4/2 | 技术严谨 1.0/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0.2/1.5 | 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

Xu Gan：机构信息未能从会议 PDF 纯文本可靠映射
Linhao Zhao：机构信息未能从会议 PDF 纯文本可靠映射
Zhenhai Yan：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

音乐空间事件检测（Musical Spatial Event Detection，MSED）以动态目标对象干声与静态伴奏背景为输入，输出逐帧二值触发序列以标定声像应当移动的离散窗口，难点在于移动稀疏且动机依赖长程结构而非瞬时掩蔽。空间事件神经检测器（Spatial Event Neural Detector，SEND）先用并行残差网络编码器将双流对数梅尔谱映射为时频特征，再经谱时Transformer套Transformer（Spectral-Temporal Transformer in Transformer，Spec-TNT）与跨轨门控交互提炼上下文约束表示，随后由并行Spec-TNT与时序卷积网络（Temporal Convolutional Network，TCN）精修节奏与结构依赖，最后经决策头输出移动概率并阈值化为事件，仅在事件窗口内允许三维声像轨迹同步跃迁。与瞬时频谱解掩蔽和单流卷积循环基线相比，该设计显式建模目标与背景的非对称上下文制约而非被动响应重叠。在20个独立工程测试集上SEND取得帧级F1为0.7675、事件级交并比为0.6305，显著高于卷积循环基线并接近人类混音的结构对齐水平。结论限于专业流行类多轨沉浸式混音与离线切窗评测，对连续三维轨迹合成与实时低延迟场景尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

演示资源：https://9ime.github.io/projects/send/ — 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？

这篇论文的输入是沉浸式音乐工程里的两路音频，一路是被决策的动态目标对象，例如一段独奏吉他或人声分轨，另一路是由静态 7.1.2 床与全部静态对象渲染成的双耳背景伴奏，所有其他动态对象被静音，以避免空间数据泄漏。输出不是连续的 3 维坐标，而是一串帧级二值触发，逐帧回答对象在这 1 帧该动还是该留，动的时间窗内才允许 3 维轨迹发生变化，窗外保持居中稳定。

必须保留的信息有 3 类，第一是目标与背景的配对关系，因为意图藏在两者互动中，第二是帧与事件两个粒度的评价，第三是结构与节拍等音乐语境锚点。论文的演示页当前可用，地址为官方资源中的演示链接，本文只用它说明可听示例存在，不用它补充数字。研究生复述时要先说清这种门控思想，即先检测何时值得动，再谈如何动，论文只解决前者，连续轨迹合成本身不在本研究范围内。

已有路线为什么只解决掩蔽而不解决意图？

第一条路线是规则式空间自动化，把空间参数当作去掩蔽工具。代表做法是按瞬时频谱重叠做贪心声像调整，或把频谱质心映射到声场位置，或按频带切分做交叉自适应。这类方法只看当前帧的频率碰撞，映射曲线刚性，缺乏对乐段与情绪弧线的长期记忆，因此容易产生高频漂移和抖动。第二条路线是深度沉浸音频重建与参数估计，例如声源定位、单声道转 Ambisonics、立体声上混与格式映射，以及可微调音台与风格迁移。

它们擅长还原物理现实或做全局频谱平衡，多为静态摆位或视觉引导轨迹，不是为音乐叙事自主决定动点。第 3 条相关线索来自跨模态动作合成与帧级事件预测，例如人体骨骼舞蹈生成、图像动画、语音活动检测与音乐起音检测，证明音乐的时间演化足以驱动离散动作，也提示可以把空间自动化做成帧级二分类。论文的判断是，前两类路线缺的是宏观音乐性与意图稀疏性，即高手混音平时不动，只在结构转折处动，而现有基线在结构上是盲的。

音乐空间事件检测到底在检测什么？

论文把任务命名为音乐空间事件检测，也就是 MSED。白话说，它不是时刻输出声像位置，而是在时间轴上圈出值得动的离散区间。形式化输入是动态目标与其静态背景，输出是帧级移动概率序列，再经阈值切成二值触发。标签构造方法是看归一化 3 维坐标相邻帧的欧氏距离是否超过灵敏度阈值，超过记为 1，否则为 0，数据集中活动帧约占 30%。评价因此分为两层，帧层看逐点分类，事件层看窗重叠与结构对齐。

理解这个定义才能明白后文为什么同时报告 Frame-F1 与 Event-IoU 与结构边界对齐，因为三者分别回答分得准不准、窗切得整不整、动得像不像编曲决定。为建立直觉，先看概念框架图如何把概率门与 3 维轨迹绑在一起，该图用 Verse 到 Chorus 的语境变化解释只有窗内才允许运动。

看图路径： 1. 先看最上方音乐语境条带如何划分 Verse 与 Pre-Chorus 与 Chorus；2. 再看中间红色决策概率在何处跳高并形成红色虚线窗；3. 对照下方 X 左右移动与 Y 远近与 Z 高低三条轨迹只在窗内变化；4. 确认窗外轨迹保持水平直线所表达的意图稀疏性

论文图 1。原论文 Figure 1：“Conceptual framework of probability-driven spatial movement events.”。

该图最上方是随时间缓慢变化的音乐语境曲线并叠加 Verse 与 Pre-Chorus 与 Chorus 分区，中间是红色决策概率，在两个区间内跳到高位并以浅红填充标出事件窗，窗边界用红色虚线贯穿全图。下方三排分别是左右声像、前后深度与上下高度，蓝色 S 形曲线只在第一个窗内从左滑到右，绿色与紫色曲线只在第二个窗内起伏或爬升，窗外完全水平。这说明模型的作用是门控，概率不高时轨迹被锁死，概率高时才放行多维同步过渡，从而保证空间调制既有音乐动机又有听感稳定。

SEND 如何走完从双路波形到一串概率？

SEND 是端到端双流结构，全流程可沿一个 20 秒样本走一遍。第一步是双流编码，目标波形与背景波形各自做短时傅里叶变换加 128 带梅尔滤波得到对数梅尔谱，再各自过基于残差网络的编码器提取分层时频特征，编码器内部是 2 维卷积加批量归一化加残差连接再加最大池化。第二步是交叉轨道交互，编码特征进入堆叠的 ST-CTGI 单元，其中 Spec-TNT 负责谱时间解耦，CTGI 负责把背景信息以门控方式织入目标。

第三步是时空精炼，融合表示进入并行的 Spec-TNT 与 TCN 单元，前者看全局结构，后者看局部起音与能量通量。第四步是空间决策头，经平均池化加多层感知机加 Sigmoid 输出每帧移动概率，再按验证集上搜到的最优阈值切成二值序列。训练用加权二元交叉熵缓解动与不动的不平衡，推理用 10 秒重叠滑窗保证长曲连续。

目标流 × 背景流： 目标流负责携带待决策动态对象的时频细节与谐波主体，背景流负责携带由静态 7.1.2 床与静态对象渲染的伴奏语境约束，二者搭配的理由是专业混音的移动意图不在孤立乐器中而在对象与整体的关系中，组合意义是让后续 CTGI 能以背景为条件对目标做选择性保留与抑制。

为看清模块位置与数据流向，需要对照全局架构图理解编码器与交互单元与精炼单元的先后关系。

看图路径： 1. 沿左侧背景波形与目标波形两条纵向主路径看到 CONCAT 汇合点；2. 找到紫色 ST-CTGI-Unit 中 Spec-TNT 与 CTGI 的箭头交汇方式；3. 观察黄色 ST-TCN-Unit 中 Spec-TNT 与 TCN 并行后再相加的结构；4. 查看右下帧级概率曲线与阈值虚线如何切出二值触发

论文图 2。原论文 Figure 2：“Schematic of the proposed SEND architecture.”。

该图左侧两列从波形经短时变换与梅尔刻度到编码器，中间紫色大框是可堆叠 N 层的 ST-CTGI 单元，左侧背景支路先过谱时间块再指向右侧目标支路的 CTGI，目标支路再过谱时间块后两路拼接。下方黄色框是 ST-TCN 单元，同一输入分两路分别过谱时间块与 TCN 块再相加，之后再堆叠并进入空间决策头，右下小插图显示概率曲线与水平阈值线相交即触发。右侧 3 个细节框分别展开 CTGI 的 1D 卷积加 Sigmoid 加乘法与取反加残差，编码器的卷积归一化残差池化，以及决策头的池化感知机结构。读图时不要把决策头插图当成最终评测曲线，它只是示意阈值切割逻辑。

谱时间因子化与局部精炼各自解决什么？

谱时间 Transformer 中的 Transformer，也就是 Spec-TNT，白话是把频率维与时间维分开建模的骨干。谱编码器先把每帧的频率线索聚成隐 token，时间编码器再沿时间轴建模长程转移，这样既保留精细谐波又看到乐段级结构。论文让它承担两种功能，在交互阶段分别从双流提取深层谱时间特征以便门控，在精炼阶段与 TCN 并行处理融合表示以平衡全局与局部。时间卷积网络，也就是 TCN，白话是带空洞的轻量卷积精炼器，负责捕捉局部能量流动与起音 нюанс，弥补纯注意力对帧级节奏敏感度不足。两者不是串行替代，而是并行残差融合，语义表示与节奏细节相加后再往下传，使预测轨迹既懂结构又不丢拍点。

Spec-TNT × TCN： Spec-TNT 分工是做谱与时间的因子化建模，先由谱编码器聚合频率线索再由时间编码器建模长程结构，TCN 分工是用空洞卷积捕捉局部能量起伏与起音细节，二者搭配是因为宏观结构感知与帧级节奏精度需要不同感受野，组合意义是在 ST-TCN-Unit 中并行融合以同时稳定轨迹并对齐节拍。

具体实现上，输入统一为 48 kHz 采样并归一到负 20 LUFS 响度，短时窗长 2048 跳长 512，梅尔带数为 128，双流输入可记为 2 通道时频张量。编码后特征维度记为通道乘时间乘频率，门控向量同样形状且取值在 0 到 1 之间。目标特征先乘以 1 减门控再加回自身，相当于背景在隐空间为目标刻出空位，再过谱时间块进入下一层，多层交错使事件既节奏精确又与频谱语境一致。

跨轨道门控交互为什么不是简单相加？

跨轨道门控交互，也就是 CTGI，白话是以背景为约束的动态门。做法是对背景特征做 1x1 卷积加 Sigmoid 得到门控图，数值大表示背景在此隐状态施加了强结构约束，再用 1 减门控去调制目标特征并保留残差连接。直觉是背景不是噪声参考，而是优先级地图，告诉目标哪里该让路。论文明确区别于语音增强中对齐干净参考的思路，这里背景是音乐语境，不做波形对齐，只做隐空间增益削减。

消融用两种可运行替代验证必要性，一种是逐元素相加，一种是通道拼接后送入精炼单元，两者都绕过动态门控逻辑。结果是拼接尚可但明显低于门控，相加则大幅下滑，说明复杂频谱依赖不能靠平均混合，需要显式交互。研究生复述时要强调残差项的作用，即门控只做减法塑形，不删除目标谐波主体，保证训练稳定。

CTGI × 简单相加融合： CTGI 分工是以背景特征经 1x1 卷积加 Sigmoid 生成门控向量再对目标做减式增益调制，简单相加融合分工只是把 2 流特征逐元素相加或通道拼接，搭配对比的理由是检验交互是否需要动态上下文优先级图，组合意义在于证明只有门控式刻意留白才能建模频谱碰撞与音乐 interplay，而非平均混合。

标签、损失、阈值与优化如何配合训练？

数据来自 1000 个专业多轨沉浸工程，涵盖多种风格。每个工程含静态 7.1.2 床与可带时变元数据的独立对象，处理时逐个把动态轨当目标，把静态床与静态对象渲染成背景并静音其他动态轨，共得到 260 小时。标签由归一化 3 维坐标相邻帧欧氏距离超阈值得到，x 与 y 在负 1 到 1 之间，z 在 0 到 1 之间，活动帧约 30%。按工程切分为 930 训练、50 验证、20 测试，训练用 20 秒片段，评估用 10 秒重叠滑窗。

模型输出帧概率，损失用加权二元交叉熵，正样本权重调大以惩罚漏检，优化器用 AdamW，初始学习率万分之一，批量 32，单卡 L20 约 20 小时收敛。关键细节是决策阈值只在验证集上网格搜索最大 Frame-F1 得到，冻结后用于测试集，不在测试集上重调，避免泄漏。论文未报告门控卷积核数、堆叠层数 N 与正样本权重的具体数值，复现时需把这些记为缺项，不能从模块名猜测。

推理时连续概率先输出，再阈值 2 值化，再把二值段当作允许工程师手写轨迹的窗，主观评测正是让工程师只在预测窗内写运动、窗外强制居中。

与谁比，在什么条件下比，用什么尺子量？

比较对象有两类基线。数字信号处理基线基于瞬时频谱掩蔽的贪心声像算法，输出是连续逐频点偏移，为公平起见按稀疏度匹配取能量最高的头部峰值转成二值，活动预算与 SEND 相同，论文称这反而偏向基线，只留其最自信的去掩蔽决策。另一基线是经典卷积循环网络加双向长短期记忆，输入输出接口与参数量与 SEND 可比。内部变体包括去掉背景的单流、替换门控的相加与拼接、去掉 TCN 3 类，用于反证。

统计指标包括 Frame-F1、曲线下面积、马修斯相关系数与基于匹配的事件交并比，其中事件交并比把每个真值窗与最佳预测窗配对，漏检与多余都记零并除以真值数加误报数。音乐性指标包括拍对齐分与结构边界对齐，前者在连续概率上算高斯衰减期望，分全拍与下拍两版，后者由 MFCC 加色度自相似矩阵经高斯棋盘核卷积得结构曲线再峰 picking，算预测运动区间在正负 50 毫秒内容住结构峰的比例。

主观用 20 名工程师与乐手双盲多刺激，5 首片段乘 5 个条件，85 分贝标准耳机，按空间稳定性、音乐恰当性、清晰度 1 到 5 打分。

SBA × Event-IoU： Event-IoU 分工是度量预测事件窗与真值窗的时间重叠完整性并惩罚漏检与冗余，SBA 分工是度量预测运动区间多大比例落在由 MFCC 加色度自相似矩阵与棋盘核提取的结构边界容差内，二者搭配是因为前者只看定位准不准而后者看动得是否有结构动机，组合意义是把信号精度与编曲意图分开评价。

节拍维度的补充定义需要单独说明，因为它直接决定对节奏锁定的解读。

BAS × 下拍对齐： BAS 分工是直接在连续概率图上用高斯衰减计算预测能量向最近节拍或下拍聚集的期望，下拍对齐特指只与小节重拍锚点比较的变体，二者搭配是因为普通节拍密而下拍稀且更能反映乐段动机，组合意义是区分模型是泛泛跟节奏还是锁住宏观律动转折。

主结果显示什么收益，代价在哪里？

要回答的核心问题是，在相同运动预算与相同接口下，双流门控是否同时赢得帧精度、事件完整性与音乐同步。下表在测试集上比较各可运行策略，指标越大越好，其中拍对齐分以百分比表示，马修斯系数与交并比为裸值，阈值对 SEND 与循环基线按验证集最优冻结，对数字信号处理基线按稀疏度匹配取顶峰，保证预算一致。

Model	/ Configuration Frame-F1	AUC-ROC	MCC	Event-IoU BASall BASdown
DSP Baseline	0.4496	0.4988	-0.0192	0.0495
CRNN Baseline	0.5994	0.7572	0.2819	0.4519
S-S	0.1605	0.5330	0.0389	0.0126
Fusion-Add	0.5659	0.7032	0.4778	0.2706
Fusion-Concat	0.6645	0.8014	0.5710	0.4532
w/o TCN	0.7244	0.8764	0.6487	0.6027
Proposed (SEND)	0.7675	0.8777	0.7013	0.6305

表中 SEND 的 Frame-F1 为 0.7675，曲线下面积为 0.8777，马修斯系数为 0.7013，事件交并比为 0.6305，全面高于循环基线的 0.5994 与 0.4519 交并比，更远高于数字信号处理的 0.4496 与 0.0495 交并比。全拍对齐 17.84% 与下拍 4.85% 也是全场最高，说明概率能量更集中在强拍附近。代价有三，一是去掉 TCN 后 Frame-F1 仍有 0.7244 而下拍对齐跌到 0.00%，说明谱特征可保局部而长程同步全靠 TCN，二是拼接融合仍有 0.4532 交并比而单流只剩 0.0126，说明背景不可缺但交互方式决定上限，三是 SEND 事件更密，结构对齐虽高但帧级仍有抖动风险，不能把总体趋势推广到每首每秒都成立。为理解结构意图，需要看结构曲线与两类触发序列的叠加，该图把 SEND 的密触发与专家的疏触发放在同一时间轴上比较。

看图路径： 1. 先确认横轴时间为秒且纵轴为结构边界曲线取值；2. 比较上下两排蓝色曲线形状一致而绿色与橙色圆点覆盖位置；3. 注意三条红色虚线边界峰附近两类触发是否同时出现；4. 观察 SEND 在非边界处是否比专家多出零散圆点

论文图 3。原论文 Figure 3：“Structural boundary curve Sstr(n) with the predicted frame-wise trigger sequence from SEND (top, green) and the trigger sequence annotated by a human expert mix (bottom, orange).”。

该图上下两排共享横轴时间与蓝色结构曲线，纵轴为结构值，上排绿色圆点为 SEND 触发，下排橙色圆点为专家触发，3 条红色虚线为检测到的结构边界峰。可见在 130.5 秒与 136.5 秒附近的大峰处，两类圆点都密集覆盖峰后沿，119 秒附近的小峰处两者也都提前启动，支持 SEND 学到了在乐段转折附近动手的习惯。但 SEND 绿色点明显更密，尤其在峰间平坦区仍有残留，而专家在 122 到 130 秒之间几乎空白，这对应正文提到的 121 秒与 132 秒附近孤立触发，解释了事件交并比虽高但听感仍需精炼的原因。

拿掉哪一块会塌，反例说明什么？

消融要回答各组件是否必要，而不只是整体谁赢。单流去掉背景后 Frame-F1 跌到 0.1605，事件交并比 0.0126，全拍对齐 6.85% 且下拍为 0，证明没有伴奏语境几乎无法定位意图，意图不在孤立音色中。相加融合 Frame-F1 为 0.5659 而交并比仅 0.2706，拼接为 0.6645 与 0.4532，均低于门控的 0.7675 与 0.6305，证明简单混合不足以表达频谱协调。去掉 TCN 后帧指标仍高但下拍对齐归零，证明局部线索可检出运动而宏观拍点同步必须靠时间建模。

下表把主观 3 维度的关键均值放在同一预算下比较，列为不同系统，行为评价维度，数值越大越好，数字信号处理基线为连续渲染无人工轨迹编辑，SEND 与循环基线为工程师在预测窗内手写轨迹，窗外强制居中，因此比较的是触发时机而非手写手法。

评价维度	SEND	人类专家混音	DSP 基线	CRNN 基线
音乐恰当性	4.07	4.40	1.80	2.93

表中 SEND 在稳定性与恰当性上接近专家并显著高于两基线，但在清晰度上 DSP 以 4.27 反超 SEND 的 3.67，专家为 4.20。

这构成关键反例，即瞬时去掩蔽在理论清晰度上最强，却以稳定性 2.07 与恰当性 1.80 为代价，听感上是高频漂移与机械感。SEND 的选择是牺牲少许极限清晰度换取舒适与动机，循环基线居中而单流与相加已在客观表垫底，不再进入主观。未评测边界是连续 3 维轨迹质量与实时延迟，论文未测每步推理耗时与误触发率，不承诺低延迟插件可直接部署。

哪些结论有证据，哪些还只是可能？

有直接证据的是定位与对齐优势，客观表与结构对齐 0.67 接近专家的 0.72 而远高于 DSP 的 0.14 与循环的 0.31，支持双流门控学到了结构动机。有限解释的是拍对齐，下拍 4.85% 虽为最高但绝对值不高，可能与下拍稀疏及容差 50 毫秒有关，待验证是否换曲风仍成立。未验证推测是因果，即门控图是否真对应人耳感知的掩蔽优先级，论文只显示相关性与消融差距，没有逐频听感标定。另一局限是帧级稳定性，正文明确点名约 121 秒与 132 秒的孤立触发会导致空间跳变，时域精炼缓解了多数但未根除。

复现时不要把自动指标当人评，也不要把不同指标差值混入模型列下比较，百分点与相对百分比不同，交并比与 F1 不可互换。为看清主观权衡的完整分布，需要检查 3 组条形图的均值与置信区间重叠情况。

看图路径： 1. 先按三组标题区分空间稳定性与音乐恰当性与清晰度；2. 在每组内按 Static Mix 与 DSP 与 CRNN 与 SEND 与专家顺序读条高；3. 注意条顶均值加减置信区间数字与误差线长度；4. 重点比较 SEND 与专家在前两组接近而在清晰度组被 DSP 反超

论文图 4。原论文 Figure 4：“Results of the multiple-stimulus subjective evaluation across three perceptual dimensions: Spatial Stability, Musical Appropriate- ness, and Clarity.”。

该图分 3 组，每组横轴为静态混音、DSP 基线、循环基线、SEND 与专家，纵轴为 1 到 5 分，条顶标注均值加减 95% 置信区间。左组稳定性中静态最高 4.60，DSP 最低 2.07，SEND 为 4.00 加减 0.29，与专家 4.13 加减 0.37 重叠。中组恰当性中静态仅 1.27，DSP 为 1.80，循环为 2.93，SEND 为 4.07 加减 0.19，专家为 4.40 加减 0.19，差距显著。右组清晰度中 DSP 最高 4.27，专家 4.20，SEND 为 3.67，循环 3.27，静态 1.80。这说明评价是多目标，SEND 在前两组赢而在极限去掩蔽上让步，符合编曲工具而非校正工具的定位。

复现先做什么，需要补哪项验证？

先按工程隔离数据，把每个动态轨轮流当目标，背景只用静态床与静态对象渲染并静音其他动态轨，再按工程划分 930、50、20，避免同一工程的片段同时出现在训练与测试。音频统一 48 kHz 与 24 比特并归一到负 20 LUFS，短时窗 2048 跳 512，128 梅尔带，训练用 20 秒，评估用 10 秒重叠滑窗。损失用加权二元交叉熵，阈值只在验证集搜最大 F1 并冻结用于测试，报告时同时给出帧 F1、事件交并比、拍对齐与结构对齐，避免只报帧精度。基线必须保留可运行的稀疏度匹配 DSP 与同接口循环网络，不能用事后最优或 oracle 代替部署收益。

缺项要补记，包括门控卷积通道数、堆叠层数、正样本权重、灵敏度阈值与峰 picking 参数，论文未给出具体值。还需补测误触发率、长曲漂移、跨风格泛化与 CPU 推理延迟，因为原文只报单卡训练 20 小时，未报帧率与实时性。代码与权重方面，论文只声明演示页当前可用，未声明训练代码与权重公开，复现应按未公开处理，先做数据管线与指标脚本，再谈模型结构。

何时值得尝试 SEND，何时不值得？

当任务是决定沉浸对象何时动而非如何动，当混音美学要求意图稀疏且对齐乐段与下拍，当已有分轨工程可构造目标背景配对，SEND 值得尝试，因为它把背景当约束做门控，比瞬时规则更稳，比单流与简单融合更懂结构。操作上先复现双流编码与门控，再加 TCN 看下拍是否从零恢复，最后用结构对齐检验是否真在边界附近动手，而不是只看帧 F1 上涨。

当目标是极限去掩蔽或逐频点连续自动化，或只有立体声成品而无分轨，或要求低延迟插件实时运行，则不值得直接套用，因为 SEND 在清晰度极限上让步于 DSP，且不生成连续轨迹也不保证实时。教学上记住一句话，动得少而动得巧需要语境，语境来自配对，配对需要门控表达，门控需要长短时间尺度共同精炼，缺任何一块都会在交并比、对齐分或人评上露出短板。