用音乐分离模型学生成环绕声：合成主次数据集如何把盲上混变成可训练任务

英文题目：PAEDB: A Synthetic Primary-Ambient Dataset Generation Pipeline for Automatic Upmixing Using Deep Neural Networks

会议身份：conference:dafx:2026:conference-paper-id:DAFx26_paper_14

✅ 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：#数据集 #数据集构建 #音乐 #空间音频信号 #空间音频渲染

评分：6.8/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Nicholas Tong：机构信息未能从会议 PDF 纯文本可靠映射
• Tom Collins：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

立体声盲上混需从双声道输入恢复可送往后环绕的去相关环境信号并保留前场直达声定位，难点在于环境成分弥散且与直达声频谱重叠，仅靠短窗相干假设易产生伪像。该方法沿主环境提取框架先用音乐源分离得到鼓、贝斯、人声与其他词干，再对每词干做中心声道导出得到前场左中右，最后用在自建数据集上训练的网络从处理后左右声道预测环绕环境并经延时与滤波生成输出。所提主环境提取数据集由公开音乐数据经可复现处理流水线合成，包含1809对主环境词干共超550小时音频，为监督训练提供标准化目标。与传统逐帧相干判决的环境提取相比，关键差异是用Mel-RoFormer学习长时上下文多频带掩蔽而非瞬时相关判决，因而能更好保持时频一致性与去相关特性。在客观信号评测设置下，Mel-RoFormer的SDR为2.22 ± 2.21 dB，高于MLP的SDR 0.89 ± 0.80 dB。主观5.1听音显示该系统在包围感与时空质量上接近传统参考系统，而小型感知器则出现可闻伪像与频谱偏离。结论适用边界限于音乐类5.1上混，尚未验证高空声道、影视对白与真实多轨录音的外推能力。训练成本对应的硬件为2块各23GB显存的NVIDIA A10 GPU，模型均从随机初始化开始按各自文献超参数训练。

🔗 开源与复现资源

• 代码相关资源：https://github.com/nick7ong/paedb — 链接可访问（HTTP 200）
• 代码相关资源：https://github.com/nick7ong/YTAudioScraper — 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，要输出什么，为什么直接复制立体声不够？

输入是立体声主人带或历史存档，只有左右两路，目标是得到可在 5.1 系统播放的多声道版本，包括左中右、前方 3 路、左环绕右环绕以及低频效果声道。初学者容易把上混理解成把立体声复制到更多喇叭，但原文强调的盲上混是在没有原始分轨时推测空间成分再分配，直接复制只能让前后喇叭放相同信号，听感上声场没有真正展开，包络感不足。论文把这个问题框定为先分解再分配：先用主次提取把立体声看作突出声加弥散声之和，突出声是左右相关的显著声源，弥散声是左右不相关的混响与共鸣尾音，然后把弥散成分的去相关拷贝送往环绕声道，把稳定的突出成分锚定在前方。

主次提取 × 盲上混： 主次提取负责把立体声拆成相关的前方突出声与不相关的弥散声，盲上混负责在没有原始分轨时把这些成分重排到多声道；二者搭配的理由是只有先拿到统计意义上可分离的主次成分，才能决定前方声场稳定什么、环绕声道送什么，组合后新增的作用是把上混从简单的复制粘贴变成按空间统计分配的系统。

白话说，相关是指左右两路波形变化趋势一致的成分，不相关是指左右细节对不上的弥散能量。英文上，前者叫 primary，后者叫 ambient，合称主次提取即 primary-ambient extraction，缩写为 PAE。盲上混即 blind upmixing，指不知道原始摆位信息仍要生成多声道。后文统一用主次提取、盲上混、突出声、弥散声这组简称。学习依赖上，必须先接受立体声混合等于主加次这个建模假设，才能理解后续为什么要用中央声道推导先压住居中强相关成分，再用氛围算法估计残差。

术语与符号如何固定，避免后文指代混乱？

固定叫法有助于复述方法。立体声输入记为左右两路，突出声即主信号，弥散声即氛围信号，二者相加为混合。音乐源分离专指拆乐器茎，人声主次提取上混专指分离放前方加氛围放环绕的路由，全通道立体声专指复制原立体声到前后 4 个音箱的基线。中央声道推导与等电平氛围提取是两个传统算法，不可互换。Mel-RoFormer 与 3 层感知机是两个新训练网络，分别代表大与小。

信号失真比、尺度不变信号失真比越高越好，对数谱距离越低越好。包络沉浸、空间时间质量、频谱质量是 3 个主观维度。后文提到前方即左中右，环绕即左环绕右环绕，低频效果即超低音通道，拼接即多声道合并。

已有路线分几支，各自在什么输入目标监督下工作？

同输入同目标的第一支是传统主次提取与矩阵解码。它们输入都是立体声，目标都是得到可直接送往环绕的去相关信号，运行阶段都是无需训练的数字信号处理。做法包括基于频域通道间相干、等电平与等比率相关、主成分分析、时域最小均方滤波与频域归一化最小均方自适应滤波，以及用于前方声场的中央声道推导。原文指出这类方法按短帧做假设，缺乏长时上下文，对弥散内容容易产生可闻伪像。

第二支是早期深度学习上混，输入有单声道干湿分类、短时傅里叶变换帧级混响分类、子带正交镜像滤波器组信号生成等，目标仍是直接估计直接扩散特征，但网络浅、训练数据定义不一致，有的只用干与湿二值标签，类边界不清。第三支是隐空间方法，用向量基幅度声像摆位合成 5.1 再训练变分自编码器学空间位置的隐表示，支持盲上混或风格迁移。

音乐源分离 × 人声主次提取上混： 音乐源分离负责按乐器或人声拆出鼓、贝斯、人声与其他，解决前方声道内容混杂的问题，人声主次提取上混负责规定分离结果放前方、氛围算法结果放环绕的路由规则；搭配理由是分离让空间统计估计更干净且支持按茎重摆位，组合新增的作用是让上混同时获得可解释的前方锚定与可替换的环绕生成模块。

同监督不同目标的对照是音乐源分离。音乐源分离即 music source separation，缩写为 MSS，输入是混合音乐，目标是拆出人声、贝斯、鼓与其他，监督来自真实分轨。影视源分离进一步拆对白音乐效果。人声主次提取上混即 voice-primary-ambience extraction upmixing，缩写为 VPA，它借用分离结果放前方，再用传统氛围算法生成环绕。前人有用 OpenUnmix 提人声放中置、用四茎 Demucs 重混全通道的做法。

教学例子是：把鼓的人声分离模型当作前方清洁工，把氛围算法当作环绕供应商，二者不是替代关系。本文与它们同输入同运行阶段，但把可替换点明确放在氛围提取块，这是后文方法全景的起点。

同条件对照应怎么摆，不把类别差异当胜负？

有源对照应按同输入同目标同监督同运行阶段摆。传统推导加等电平与新网络同为立体声进环绕出、无需真实分轨监督、可在推理阶段直接运行，因此四系统主观对照是同条件比较，可以谈胜负。音乐源分离的乐器拆分分数与氛围提取的失真比不同目标不同监督，不能直接比数值高低，原文也只把前者当作前方模块调用而不做跨任务排名。变分自编码器风格迁移用合成 5.1 加向量摆位训练，监督与目标都不同，只能谈思路差异。

单声道干湿分类与帧级混响分类监督粗糙，类边界不清，不能与本文字典明确的主次对直接比优劣。摆表时要保留实际可运行策略，事后最优或理论上限另行标注，不能用不可部署的参考代替收益。

本文把哪一段链路定为可训练，难在哪里？

本文只研究立体声到 5.1 的盲上混，且只把其中立体声去相关与氛围提取这一段变成可训练的源分离问题，不做高空声道。沿一个样本走一遍有助于定位：输入一段立体声歌曲，先经预训练分离模型得到 4 个茎，再经中央声道推导得到每茎的左中右，前方 3 路经高通后直接参与拼接；同时把处理后的左右两路送入新训练的氛围网络，输出左右氛围并延迟后送往左环绕右环绕；另取中置一路经低通得到低频效果声道。

难在氛围本身是弥散不相关的，没有像乐器那样清晰的真实分轨可监督，房间脉冲响应卷积也补不上乐器本体共鸣这类弥散能量，且传统指标对微小偏差过于敏感。因此论文先解决数据集定义问题，再比较大模型与小模型能否学会合成算法的行为，最后用主观听感验证在完整上混链路里是否成立。

完整链路如何从左右两路走到拼接输出？

方法全景分三块，顺序不可颠倒。第一块是 3 通道上混块，输入左右两路，先用预训练音乐分离模型拆出鼓、贝斯、人声与其他 4 个茎，每个茎再过中央声道推导算法得到各自的左中右分量并路由到对应输出，这样居中的主唱与底鼓军鼓被锚定在中置，摆开的和声与镲片留在左右。第二块是氛围提取块，输入是上一块处理后的左右两路，用在自建数据集上训练的深度网络估计左右氛围，再加 12 毫秒延迟以增强前后分离感并缓解前后通道相位干涉。

第三块是附加滤波块，用 5 阶巴特沃斯低通与高通生成低频效果声道并去除环绕与前方在低频的重叠，具体是低频效果用 200 赫兹低通，前方左中右用 150 赫兹高通，最后把前方 3 路、环绕两路与低频效果拼接成输出。

下面先读懂总框图的主路径与分支汇合，再对应文字理解每块的输入输出。

看图路径： 1. 先从左侧立体声输入沿箭头走到三通道上混、氛围提取与滤波拼接的主路径；2. 再看右侧子框内预训练分离模型输出人声鼓贝斯与其他后如何进入中央声道推导；3. 对照下方高通 150 赫兹与低通 200 赫兹标注确认前方与低频效果声道的分工；4. 观察氛围分支输出后经过延迟再送到左环绕右环绕的位置

论文图 1。原论文 Figure 1：“Block diagram of the proposed upmixing schema.”。

从像素看，左侧大框标注 3 通道上混，输入为左右两箭头，输出为左、右、中三箭头；中部上方是氛围提取框，输出左右氛围后经延迟框得到左环绕右环绕；中部下方是高通符号框处理前方 3 路，左下是低通符号框从中置引出低频效果声道，最右是拼接框汇出最终输出；右侧虚线子框展开 3 通道上混内部，先是预训练分离模型分出四茎，再进入中央声道推导得到各自 3 通道。教学对应是：分离管乐器归属，推导管前方定位，氛围网络管环绕内容，滤波管低频分工，拼接只做合并而不做新的空间推断。

前方与环绕两个分支各自算什么，为什么这样搭配？

前方分支的计算目标是得到稳定的左中右。它不训练新参数，而是调用现成分离模型与中央声道推导算法。中央声道推导利用幻象中置现象，即居中声像会被感知为来自两只音箱之间，但实际存在声串扰与梳状滤波，因此用频域向量分解几何估计专用中置，扩大皇帝位。环绕分支的计算目标是得到去相关氛围。它用新训练网络替代传统等电平或自适应滤波，输入是前方分支处理后的左右两路，输出是左右氛围。

搭配理由在原文写得很直白：分离让空间统计估计更干净并允许按茎重摆位，推导让前方更稳，网络则要学会长时频谱连贯的弥散估计，弥补逐帧假设的短视。新增作用是整个上混变成部分可微，前方固定而环绕可微，为以后端到端微调留出接口。

中央声道推导 × 等电平氛围提取： 中央声道推导负责在频域用几何分解估计出居中相关的成分并抑制其在左右声道的串扰，等电平氛围提取负责用通道间相关在左右残差里估计不相关氛围；搭配理由是先拿掉强相关的中央主成分可以减少主信号泄漏进氛围目标，组合新增的作用是得到更干净的合成氛围监督对，用于后续训练神经网络模仿。

白话说，中央声道推导即 center channel derivation，缩写为 CCD，等电平氛围提取即 equal-levels ambience extraction，缩写为 ELAE。CCD 管拿掉居中强相关，ELAE 管在残差里按相关度捞氛围。先做前者再做后者，主信号泄漏进氛围目标会减少，这是合成数据集时也要复用的顺序。需要提醒的是，12 毫秒延迟与 150 赫兹、200 赫兹滤波是链路设计选择，不是网络学出来的，复现时要原样保留才能对齐主观条件。

没有真实氛围分轨时，数据集与网络训练如何构造？

训练部分实际包含两层构造：先合成监督目标，再训练网络模仿该目标。数据源是公开音乐数据集 MUSDB18-HQ 与 MoisesDB，均只允许非商业研究使用。论文强调氛围比混响更广，不仅含房间声学，还含吉他腔体这类声源本体共鸣，因此没有大量真正干声可用，卷积房间脉冲响应不够。合成流程是：对每首立体声先做中央声道推导并丢弃中置以压住主成分，再对剩下的左右两路做等电平氛围提取得到氛围茎，非正式试听确认该顺序减少主泄漏。

剔除含静音或近静音茎的曲目后剩 385 首有效，得到 1925 个立体声文件约 120 小时；再把每首的四茎加混合共 5 类文件各自当作新条目，为各自生成主次对并把原目标茎当作新的混合输入，扩充约 5 倍，最终得到 1809 个训练单元、5427 个文件、约 550 小时、约 150 吉字节的 44.1 千赫兹立体声文件。生成脚本已公开，可复现。

下面先看清合并与丢弃中置的关键动作，再把数字落到表中核对规模。

看图路径： 1. 先看左侧两个圆柱数据源如何汇入合并数据集；2. 再沿中间立体声输入经过中央声道推导时被丢弃的中央支路符号；3. 确认右侧输出同时给出主信号氛围信号与混合信号三类文件

论文图 2。原论文 Figure 2：“Diagram illustrating the preparation and generation process of the Primary-Ambient Extraction Dataset (PAEDB).”。

从像素看，左端两个圆柱分别标注两个数据源，经加号汇入合并数据集圆柱；中部方框为中央声道推导，输入左右两箭头，输出左、右两箭头进入主次提取框，中央支路画叉表示丢弃；右端主次提取输出主、氛围两箭头，另有一路混合直连，三者共同写入右侧数据集圆柱。这张图的可执行读法是：凡是要复现目标，必须先推导再提取，不能跳过丢弃中置；混合文件不是重新混音，而是原茎本身，用作网络输入。

比较的问题是：合并前后规模如何变化，采样率是否一致，文件数与时长是否对得上。公平条件是都按 44.1 千赫兹立体声统计，时长为近似值。指标方向是规模越大越利于预训练，但合成上限不变。

表后解释是：主要收益是 1 次可复现的流水线把 120 小时基座扩到 550 小时，且每个单元都含混合、主、氛围三文件，可直接做监督学习；具体代价是目标仍是合成算法的输出，模型起初只能模仿而不能超越它，论文在讨论中明确把这一步定位为提供归纳偏置的预训练，待有真实多声道分轨后再微调。未胜出项是干声卷积方案，原文认为它覆盖不了乐器本体弥散故未采用；未评测边界是其他音频域，流水线通用但本文只在音乐上验证。

Mel-RoFormer × 3 层感知机： Mel-RoFormer 负责用梅尔频谱分带与旋转位置变换器做长时频谱建模并估计多带掩膜，3 层感知机负责把短时傅里叶变换实部虚部展平后逐帧输出主次概率掩膜；搭配比较的理由是前者代表当前分离的最强上下文建模，后者代表文献中专为该任务设计的轻量基线，组合比较新增的作用是检验氛围提取到底需要长上下文还是逐帧相关就够。

网络训练用两台各 23 吉字节显存的英伟达 A10，从随机初始化开始，参数沿用各自文献设置。Mel-RoFormer 用 AdamW，学习率 5e-5，衰减系数 0.95，耐心 2 轮，指数滑动平均动量 0.999，每迭代 4000 步共 100 轮，每卡批量 3 即有效批量 6，优化目标是时域 L1 波形重建加权多分辨率短时傅里叶变换损失。3 层感知机 inspired by 文献设计，把短时傅里叶变换实部虚部展平为 1 维向量，经隐层 15 与 10 降维与 ReLU，再经 Sigmoid 输出单概率作掩膜，用 AdamW 学习率 1e-3、衰减 0.95、耐心 5 轮，单卡批量 16，每迭代 4000 步共 200 轮，对 Sigmoid 输出用 L1 损失并以 0 与 1 标注主次帧。

比较的问题是：大小模型在相同合成监督下配置是否可比，计算预算差多少。公平条件是同数据集不同批量与轮数，优化器同为 AdamW 但学习率与耐心不同。指标方向是轮数与步数越大覆盖越多，但小模型单卡即可跑。

表后解释是：主要收益是给出可直接复现的预算，大模型靠分带变换器学长上下文，小模型靠逐帧二分类学相关性；具体代价是大模型中央处理器最慢而小模型频谱偏差大，后文客观与主观结果会分别对应。缺项是原文未报告梯度是否截断、掩膜如何归一化到双声道等细节，复现时只能按引用文献默认实现补齐并记录差异，不从模型名推定实现。

用什么音频、什么系统、什么指标测，条件是否一致？

客观评测用 12 首从视频网站采集的完整立体声曲目，每首 2 到 6 分钟，经最高质量音频流转 44.1 千赫兹波形，仅作学术研究不分发。参考目标不是真实录音分轨，而是等电平算法生成的氛围信号，用来衡量网络多准确地复现了合成目标，指标用信号失真比、尺度不变信号失真比与对数谱距离，前两者越高越好，后者越低越好。

主观评测在校准 5.1 音箱的声学处理房间做，12 名听者评价 6 段各 1 分钟的选段，覆盖摇滚、管弦、民谣、爵士与影视，曲目包括原文列出的 6 个样本，每人听 24 个刺激即 6 选段乘 4 个系统，顺序随机，用 7 点李克特量表评包络沉浸、空间时间质量、频谱质量 3 维度，共 264 个观测。4 个系统是：全通道立体声基线把原立体声复制到左右与环绕；VPA-ELAE 用等电平算法做环绕；VPA-MLP 与 VPA-Mel-RoFormer 分别用自建数据训练的网络做环绕，前方 3 路四者都经分离加推导保持一致。伦理经迈阿密大学机构审查委员会批准。

计算基准用 1 秒 44.1 千赫兹随机立体声噪声重复 10 次取均值，在至强金牌 6338 中央处理器与 A100 图形处理器上分别测中央处理器与显存占用，推导内部用 1024 点窗 512 重叠，批量为 1 以对齐数字信号处理基线。

主观听感与客观重建各显示什么，谁在什么维度没赢？

先说主观总量。原文报告 VPA-ELAE 总均分 14.63 最高，VPA-Mel-RoFormer 以 14.45 紧随其后，全通道立体声与 VPA-MLP 较低且后者最低。弗里德曼检验在 3 个维度都显著，包络沉浸卡方 10.816，显著性 0.0128，空间时间质量卡方 9.816，显著性 0.0202，频谱质量卡方 10.500，显著性 0.0148，阈值为 0.05，说明系统差异可被可靠感知。箱线图显示在包络沉浸与空间时间质量上，VPA-Mel-RoFormer 与 VPA-ELAE 中位数与上四分位高于全通道立体声但均值被拉低，意味着部分听者给高分部分给低分。

在频谱质量上除 VPA-MLP 外各系统中位数与四分位几乎相同，听者对音色保真与伪像的一致性更高，反馈把差异归因于感知机二值门控带来的可闻伪像，有趣的是在影视爆点或鼓点处这类伪像偶尔反而增强沉浸感，说明影响与内容相关。

信号失真比 × 包络感与沉浸感： 信号失真比负责度量提取氛围波形与合成参考在样本层面的接近程度，包络感与沉浸感负责度量听者在 5.1 系统上感到的被声音包裹与投入程度；二者搭配的理由是弥散声即使听感合理也可能与参考样本不对齐，组合新增的作用是揭示客观重建分低不等于主观差，必须两类证据对照着读。

下面按箱线图核对分布而非只看均值，重点看中位数、四分位与离群点。

看图路径： 1. 先按横轴三个感知维度分组再按图例颜色区分四个系统；2. 比较包络感与空间时间质量两组中哪两个系统的中位数更高；3. 观察频谱质量一组中最右侧粉色箱体的中位数与下四分位是否明显偏低

论文图 3。原论文 Figure 3：“Boxplot of user perceptual ratings across systems.”。

从像素看，横轴 3 组分别为包络沉浸、空间时间质量、频谱质量，每组四色箱体对应图例四系统；左两组中橙色与蓝灰箱体中线更高而须线较长，右侧频谱质量组粉色箱体中线更低且下四分位明显下探，另有两离群圆点落在低分区。这意味着大模型在沉浸与空间维度分布占优但离散大，小模型在频谱维度分布垫底，与正文均值排序一致且补充了离散信息。

比较的问题是：4 个可运行系统在相同选段与量表下谁总分更高，分布是否稳定。公平条件是同 6 选段、同 24 刺激、同随机顺序、同 3 维度聚合。指标方向是总分与各维度越高越好。

表后解释是：主要收益是神经大模型在完整上混链路里主观上追平传统强基线，差距仅 0.18 分，支持自建数据集可用于预训练；具体代价与反例是 VPA-MLP 总分垫底且频谱分布差，说明逐帧二分类在该链路里不够，全通道立体声虽简单但在部分听者处并不差，总体趋势不等于每选段每听者都成立。客观侧原文报告 Mel-RoFormer 在三指标上全面优于感知机，表现为更高尺度不变失真比与更低对数谱距离，但绝对值仍低于传统乐器分离基准，论文解释为弥散信号天然难对齐，微小偏差就会拉低分数，且 L1 加多分辨率谱损失未必与感知对齐，不能把客观低分直接读成听感差。

换掉氛围模块与改变运行时，性能与开销如何变化？

论文没有做传统意义的逐部件消融，但用四系统对照与中央处理器图形处理器基准起到了类似作用。把氛围模块从等电平算法换成 Mel-RoFormer，主观总量基本持平而客观上学会了合成目标的行为；换成 3 层感知机则主观垫底且客观谱距离大，说明容量与上下文建模是关键变量。运行时方面，感知机在中央处理器与图形处理器都最快，PyTorch 版推导紧随其后，Mel-RoFormer 在中央处理器因参数量最慢，但在图形处理器上所有 PyTorch 方法都快于实时，NumPy 版推导只限中央处理器故不测图形处理器。

内存上 tracemalloc 只统计 Python 堆而显存统计完整占用，故两类数字不可直接比较，原文已提醒该口径差异。部署时批量为 1 只是为对齐基线，实际可用批处理与编译工具进一步加速，但原文未给出具体加速比，复现时需单独测量延迟与吞吐，不把快于实时等同于端到端系统低延迟。

哪些结论有边界，哪些验证还没做？

直接报告的是：在合成目标下大模型可有效模仿推导加等电平流水线，且主观接近传统方法。有限解释的是：这可被视为带归纳偏置的预训练，以后用真实多声道或多算法共识目标微调可能超越传统方法，但本文尚未用真实 5.1 分轨验证，故用可能与待验证表达。未验证的推测包括感知动机的去相关或中侧损失、扩散与变分隐空间生成是否更真实，都只在未来工作提及。

缺失证据不是技术错误：没有测量每帧误判率、端到端延迟、不同摆位下的定位误差，也未评高空声道，因此不承诺这些量得到改善。数据边界是来源只允许非商业研究，测试集来自视频网站压缩音频且不分发，训练目标单一算法有偏，换多算法目标或加房间脉冲响应可能丰富特征分布但本文未做。读数时要注意百分点与相对百分比不同，不同指标差值不能混入同一模型列，自动指标不能当成人评。

要复现应先跑通什么，再补哪项验证？

当前可用性按资源状态写：代码仓库本次可达，数据集生成脚本已公开，视频抓取工具已公开，但权重与完整 150 吉字节数据需自行生成，不代表下载即用。先跑通 3 步：用公开脚本从自有合法音乐复刻合并、去静音、丢弃中置再提取的流水线，并核对 385 首、1925 文件、约 120 小时基座与 1809 单元、5427 文件、约 550 小时总量的数量级；按原文超参数训练小感知机打通掩膜管线，再训练或复用 Mel-RoFormer 验证长上下文是否稳定。

按三块链路原样接好 12 毫秒延迟、150 赫兹高通与 200 赫兹低通，再进校准 5.1 房间做随机顺序主观对照。何时值得尝试是：已有立体声存量且缺分轨、目标是 5.1 环绕而非高空声道、能接受先模仿合成目标再微调的路线。还需补的验证是：用真实专业 5.1 混音的原始氛围茎做微调与测试，补感知相关损失与去相关度量的对照，补多算法共识目标以减单方法偏置，并单独报告推理延迟、显存与中央处理器占用的端到端预算。

学完这篇应带走什么判断？

带走的判断是：盲上混的关键不在把网络做大，而在先定义可学习的氛围目标。本文用先推导后提取的可复现流水线把目标定义清楚，再证明大模型能学会该目标且听感追平传统强基线，这是数据集的价值；同时证明逐帧小模型不够、客观重建分与听感不一致、合成上限仍在，这是边界。后续要超越传统方法，必须换更高质量的多声道真实监督或更贴近感知的优化目标，而不是只调大网络或只刷信号失真比。初学者复述时应能说出输入到输出的五站：分离、推导、氛围网络、滤波、拼接，以及数据侧的三数：来源、基座、扩充后总量，并说明主观与客观为何分开读。

📐 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

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