参考引导的音效变体：用同一生产目标比较不同编辑能力的方法

英文题目：A Production-Oriented Framework for Evaluation of SFX Generation

会议身份：conference:dafx:2026:conference-paper-id:DAFx26_paper_52

✅ 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：#评测协议 #主观评测 #少样本 #环境声 #音频生成

评分：6.5/10 | 创新 1.2/2 | 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 0.8/1.5 | 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：数据集与基准

👥 作者与机构

• Mélodie Desbos：机构信息未能从会议 PDF 纯文本可靠映射
• Yara Bahram：机构信息未能从会议 PDF 纯文本可靠映射
• Eric Granger：机构信息未能从会议 PDF 纯文本可靠映射
• Mohammadhadi Shateri：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

工业音效生产以少量可复用参考录音为输入，需生成保留事件身份又具可控变化的多个变体，难点在于同时兼顾真实感、身份保持、多样性与工作流可用性，现有文本到音频或无条件评测无法刻画该约束下的权衡。本文框架先定义九条生产需求并映射五种异构基线的能力分工，再执行共享参考引导变体生成以统一比较全量输出，随后将该共享输出输入分布质量、参考对齐与多样性评估，最后对修补、时序控制与音色变换等原生操作做专项诊断以形成能力画像。与按原生任务各自评测相比，关键差异是用ESC-50参考加类名的统一音频到音频变体任务约束比较口径，同时保留原生编辑能力而不抹平异构控制假设，因而可为工业管线选型提供统一决策依据。在ESC-50参考引导变体任务评测下，AudioX的FAD为9.34，低于AudioLDM的FAD 20.09。在ESC-50参考引导变体任务评测下，AudioX的S-MOS为3.37，高于AudioLDM的S-MOS 2.22。该结论适用边界受限于短时环境音效的轻量适配场景，尚未验证长时音乐语音或跨域大规模库的外推。各基线训练成本与硬件开销差异显著，效率仅作诊断参考，选型时需结合推理开销权衡。

🔗 开源与复现资源

• 演示资源：https://melodiedesbos.github.io/sfx-eval-framework — 链接不可用（HTTP 404） 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，本文要交付什么？

本文的输入是论文原文与本次收到的官方原图像素，目标是让刚进入语音音乐音频领域的研究生能核对并复述方法。必须保留的信息包括任务定义、九项生产需求、5 个基线的条件与编辑域、2 阶段协议、数据集划分与生成数量、客观与主观指标方向、关键数字与适用边界。输出是 1 篇中文技术解读，不做营销式判断，不继承其他解读的评价。

生产中的起点往往不是空白提示，而是一个可复用的参考录音。设计师需要从一个乌鸦叫、一声笑或 1 次冲水声出发，得到多个能直接铺进交互媒体的变体，避免可感知的重复。手动逐个设计变体耗时且成本高，通用文本到音频生成虽然能出 plausible 的声音，但不保证听起来是同一事件，也不保证时间结构可控。本文把问题收紧为参考引导的音效变体：给定参考波形与类别名，生成多个变体，要求保真、保身份、可控变化并能高效迭代。

为此作者提出生产导向的评估框架，不是发布一个新生成模型，而是给出需求、协议与决策流程。第一阶段让所有方法在同一参考条件音频到音频变体任务下比较，第二阶段保留各自原生操作做能力分析。评价结合客观分布距离、基于音频嵌入的对齐与多样性、瞬态诊断与人听相似度。最终结论不是单一排名，而是不同生产需求下各取所需，并为未来统一管线提供依据。伴随网页在本次资源检查中返回不可用，因此解读只依据论文正文，不写当前可用或已公开。

已有路线在评什么，为什么直接比分数会误导？

已有生成路线可按输入与目标区分。扩散与流匹配模型在波形、语谱或隐空间上做高保真合成，AudioLDM 在变分自编码器隐空间做隐扩散并用对比语言音频预训练嵌入做音频文本条件，T-Foley 用声音类别与时间事件信息引导 Foley 生成，近期流匹配与扩散 Transformer 则融合多模态语义嵌入或在多模态特征与音频 token 上做自注意力去噪。更早的音效工作从拟声词或音高响度音色瞬态等声学特征做可控合成，动机接近可控合成，但没有用上近期生成模型的强度。

编辑路线按驱动信号与编辑域区分。有的用显式指令，有的用参考信号，有的两者结合，覆盖全参考变体、时间控制、修复缺失段或区域编辑。检索增强与少样本定制则关注低数据适应，但仍以生成为导向，不一定适合参考引导的工作流。问题在于每条路线都只在自家任务里报告成绩：文本到音频、视频到音频、Foley 对齐或局部修复，数据集、控制假设与评价标准各不相同。把它们的分数直接排序，会把任务差异误读为能力高低。

本文的对照策略是先统一生产目标，再保留能力差异。九项需求把保真、身份、多样、时间对齐、能量控制、可控性、定点修改、鲁棒性与效率分开定义，并给出评价信号与典型失效模式。5 个基线按互补能力选取，覆盖全样本、时间约束、语义编辑与局部修复 4 种编辑域。比较时共享任务只给最小条件即波形参考加类别名，各方法按原生设计实现变体，原生分析则回到各自擅长的操作。这种设计承认异构性，不强求单一分数。

参考引导变体任务到底要求模型做到哪几件事？

任务可沿一个样本走一遍。输入是一段参考录音与其类别名，例如一段乌鸦叫。模型要输出同一参考的 10 个变体，听起来仍是乌鸦叫而不是通用鸟叫，时间起伏与瞬态质感合理，变体之间不完全重复，且能在需要时接受控制。输出是波形变体集合，供后续挑选与铺轨。

为把好用拆成可测项，论文列出九项生产需求。第一是保真与真实感，要求没有瞬态涂抹、噪声、相位感与不自然混响；第二是身份保持，要求不发生语义漂移；第三是不漂移的多样性，要求既不复制也不变成无关事件；第四是时间对齐，要求 onset 不移位不拉伸。

第五是能量控制，要求响度动态跟随；第六是可控性，要求换控制条件有对应变化；第七是定点修改，要求只改目标区不重写全局；第八是鲁棒稳定性，要求跨条件不崩；第九是效率，要求推理时间可接受。

教学上可以举一个例子帮助理解，但它不是论文数值。假设参考是 5 秒笑声，理想变体应保留笑声的周期性脉冲与高频谐波结构，只是每次笑的节奏略有不同；若变成咳嗽声就是身份漂移，若 10 个变体波形几乎相同就是多样性不足，若笑声位置整体后移就是时间对齐失败。论文用 ESC-50 的真实类别与划分来实例化这类判断，而不是用这个虚构例子做证据。

两阶段框架如何让不同模型在同一目标下可比？

框架全景分三块理解。左侧是生产需求，强调从一个参考到多个变体；中间是异构基线，标注各自控制与编辑域；右侧是评估框架，先在 ESC-50 上做轻量微调，再分叉为共享音频到音频生成与方法专属分析，最后输出客观人评、信号诊断与能力画像。这种安排的理由在正文写明：既要用共同生产目标标准化比较，又要保留每种方法原生控制机制，避免把不擅长的操作强加给它。 下面的导读对应本次收到的框架总览像素，先看整体再落到细节。

看图路径： 1. 先看 A 栏从 1 个参考指向 N 个变体的箭头，确认任务是参考条件变体而非无条件生成；2. 再看 B 栏五个基线色块旁的编辑域标注，区分全变体、时序能量、定点编辑与修复；3. 接着看 C 栏轻量微调后分叉为共享 ATA 与原生能力分析的两路，确认两阶段协议；4. 最后看右侧客观人评与信号诊断三组输出，确认评价不只用单一分数

论文图 1。原论文 Figure 1：“Overview of the proposed production-oriented evaluation framework for reference-guided SFX variation.”。

该图把流程说完整了。参考波形与类别词先进入 ESC-50 轻量微调，然后一路进入每参考生成多个变体的共享任务，另一路进入声音变形、时间对齐、修复与目标编辑的专属分析。右侧 3 组评价分别对应分布质量与人评、信号级诊断与能力画像。关键是中间分叉的含义：共享任务保证公平起点，专属分析保证不抹杀特长。5 个基线中 AudioLDM 与 AudioX 做全样本变体与风格迁移，T-Foley 做时间与能量控制，ThinkSound 做定点多模态编辑，A2SB 做局部修复。效率栏未全勾选提示推理开销仍是区分项，不能只看质量分数。

五个基线各自吃什么条件，只改哪里？

AudioLDM 的主要控制是文本条件，编辑域覆盖整个生成样本。它把参考风格迁移为参考条件变体，适合全样本变化、质量真实感、多样性与通过文本或参考引导的灵活控制。沿样本走就是参考加类别名进入隐扩散，输出全新波形，而不是在原波形上打补丁。

T-Foley 用声音类别与均方根包络等时间事件信息做条件，特别相关时间对齐与能量控制，并支持身份保持。但它不支持对波形特定区域的定点局部编辑，因为参考只作为事件条件而非直接的音频到音频编辑。沿样本走就是从参考提取时间特征与包络，生成具有粗结构跟随的新样本。

ThinkSound 把语义指令与参考条件结合，支持局部编辑域，适合可控语义变化与局部内容修改，可评估定点修改、可控性与合理变化。沿样本走就是在遮罩区内按衰减增强或混响等指令改动，同时尽量保持整体合理。AudioX 通过多模态融合结合文本视频与音频信号，覆盖文本到音频、视频到音频与指令条件，强项是身份保持、不漂移的多样与可控参考引导生成，同时可作为保真基准。A2SB 则遮罩一段波形并用周围未遮罩上下文重建，控制直接来自保留的波形上下文，编辑域严格局部，只影响被遮罩区。

身份保持 × 多样性： 身份保持指生成变体仍被听成同一事件来源，分工是约束语义不漂移；多样性指同一参考能产出多个不重复变体，分工是提供可用选择；二者搭配是因为只保身份会重复，只求多样会变成无关声音，组合后用对齐与离散度联合判读才能判断变体是否有用。

时间对齐 × 能量控制： 时间对齐管事件何时发生，分工是 onset 位置与顺序正确；能量控制管响度包络如何起伏，分工是动态形状跟随参考；搭配理由是粗包络跟随不等于瞬态质感正确，论文用包络比较加 onset 误差与半高宽比联合诊断，二者组合才能区分结构对了但音色坏了的情况。

全样本生成 × 局部修复： 全样本生成重写整个片段，分工是获得大幅度新变体；局部修复只重建被遮罩区段，分工是保留上下文只修局部；搭配原因是生产中既要新素材又要可控修补，论文让 AudioLDM 与 AudioX 承担前者、A2SB 承担后者，组合后才能覆盖从整体变体到定点修补的不同编辑域。

上述分工解释了为什么共享任务要给最小条件。都只给波形参考与类别名时，全样本方法可以自由重写，局部方法只能按原生方式修复或编辑，时间条件方法只能跟随包络。这种不完全对等的起点正是论文要暴露的：同为变体，改动域不同，评价必须分开读分布分数与定点行为。

有没有训练？轻量适配到底动了哪些参数？

本研究没有从零训练大规模生成模型，训练职责由轻量适配承担。所有基线都从已发布预训练检查点初始化，在 ESC-50 上做轻量微调以适应目标音效库，同时尽量保留原生行为。原文明确的安排是编码器在适用时保持冻结，只适配任务相关的生成或条件层，方法细节指向伴随网页。由于本次资源检查显示该网页不可用，解读不能补充网页上的层名与超参数，只能指出这一缺项。

ESC-50 规模是 2000 条 5 秒录音共 50 类，官方划分取折 1 到折 3 训练、折 4 验证、折 5 测试，每类每折 8 条。这种小数据设置模拟把预训练模型适配到有限目标类别的生产场景，而不是大规模从头训练。推理时每条测试参考生成 10 个变体，400 条测试参考共每模型 4000 个输出。客观评价统一裁剪为 4 秒片段，A2SB 例外只在修复区上计算，这一点在比较时必须记住，否则会把局部保留误读为全局生成能力。

监督来源与梯度路径按原文只能讲到任务层：适配目标是让模型在目标声库上更像目标分布，同时不破坏原生控制。原文未报告各基线的学习率、步数、冻结矩阵与梯度是否截断，因此不能从模型名称推定实现，也不能写拿掉某层必然怎样。复现时应先按各自官方仓库的微调脚本跑通，再核对是否只动生成与条件层、编码器是否冻结，并记录实际改动以便对照。

数据、指标与人听如何组织，方向怎么看？

数据与协议按原文交代。ESC-50 共 2000 条 5 秒录音 50 类，折 1 至折 3 训练、折 4 验证、折 5 测试，每折每类 8 条。共享任务对 400 条测试参考每条生成 10 变体，每模型 4000 输出。各方法按原生设计实现：T-Foley 用参考派生的时间特征与包络条件，ThinkSound 与 AudioX 从带噪参考隐变量或波形采样并以类别名条件，A2SB 遮罩一段后从同一损坏输入多次采样恢复。效率用推理时间与每小时变体数表示，但因主干、批量与采样步数不同，只作诊断性参考，不直接排名。

指标方向要先记牢。分布音频质量用 Fréchet 音频距离，越低越好，数值按类计算再跨类池化；参考对齐用 ImageBind 音频嵌入的余弦相似，越高越好；多样性用变体间平均余弦距离，越高表示越分散，但必须与距离与对齐联读，因为大分散也可能是语义漂移。瞬态诊断从归一化 onset 强度包络出发，比较的是瞬态形状而非响度：半高宽比越接近 1 越好，大于 1 为涂抹、小于 1 为变锐。

前置能量差越接近 0 越好，正值提示预回声；onset 误差是匹配的参考与生成 onset 间中位时间差，越小越好，容限 150 毫秒，峰检测最小间隔 40 毫秒、显著性 0.10 且跨方法固定。人听用相似度平均意见分，15 名参与者在安静环境用耳机、可重复播放，对参考变体对按排除响度的身份保真打 1 到 5 分，报告均值与 95% 置信区间。

下表把实验规模与聚合口径固定下来，避免把不同阶段数字混用。

上表说明公平条件与聚合对象：共享任务的基线是同一 400 参考与同一变体数，人听基线是同一打分提示与可重复播放，客观窗口基线是同一 4 秒裁剪而 A2SB 必须单独标注为修复区。只有先对齐这些条件，后续分布与人评数字才可比，效率数字因硬件与步数不同仍只能作诊断参考。

共享变体任务中谁保身份，谁更多样，代价是什么？

比较问题是：在同一参考条件变体任务下，全生成方法在质量、身份、多样与人评之间如何权衡。公平条件是同一 ESC-50 测试参考、同一最小条件与同一 4 秒客观窗口，A2SB 因只改短修复区而单独解释。指标方向是距离越低越好，对齐、多样与人听越高越好，但多样需联读对齐与距离。

看图路径： 1. 先确认横轴是身份对齐、纵轴是多样性，右上为同时更好的方向；2. 再沿黑色虚线帕累托前沿比较 AudioLDM、ThinkSound 与 AudioX 三点位置；3. 注意 T-FOLEY 偏左下偏离前沿，A2SB 以菱形标记单独解释其局部生成含义

论文图 2。原论文 Figure 2：“Diversity–identity alignment (R3-R2) trade-off across reference-guided SFX variation methods.”。

该散点把权衡画出来了。横轴身份对齐向右越好，纵轴多样向上越好，黑色虚线为帕累托前沿。AudioLDM 在左上最高多样但对齐偏左，AudioX 在右下对齐最强但多样收敛，ThinkSound 居中，T-FOLEY 在左侧偏离前沿，A2SB 以菱形落在中部。读图时不能把纵轴高直接当胜出，因为左上高多样伴随弱对齐可能是漂移；也不能把 A2SB 与全生成点直接排序，因为它的生成域只是短修复段。

上表的主要收益与代价是：AudioX 在全生成中距离最低、对齐最高、人听最高，代价是多样更收敛，适合身份与知觉保真优先的生产需求；AudioLDM 多样最高但对齐人评与距离更弱，支持其更强风格化但身份漂移的判断；ThinkSound 居中但受控变化未转化为更强知觉保真；T-Foley 虽有时间能量条件却在共享任务中距离最高人评最低，说明粗包络跟随不足以保持整体身份。A2SB 的低距离与高人听不能当作全局胜出，因为多数参考未被改动。未胜出项 T-Foley 与未评测边界即跨域长时结构仍需专属分析补足。

瞬态诊断进一步支持上述判断。AudioX 的 onset 误差在全生成中最低，半高宽比接近 1，前置能量差接近 0，时间组织更稳；ThinkSound 半高宽比接近 1 但 onset 误差中等；T-Foley onset 误差最大，说明包络跟随不等于 onset 对齐。定性上 AudioLDM 保留细局部结构最好，T-Foley 高频衰减与谱范围缩小，ThinkSound 有局部谱平滑，AudioX 在事件级更接近参考。 下面的导读对应笑声示例的谱与能量像素，先看参考再看各方法。

看图路径： 1. 先对照左上参考 laughing 的梅尔谱与下方能量曲线的周期性笑声脉冲；2. 再逐格比较各方法顶部谱纹理与底部能量起伏是否保留事件级结构；3. 重点看 A2SB 绿色框内 0.3 秒到 1 秒重建区与白框标注的相似纹理位置

论文图 5。原论文 Figure 5：“Qualitative comparison for the ATA variation task on the human-sound example laughing.”。

该组图的可见内容是：左上参考为笑声的梅尔谱加下方能量曲线的多次脉冲，白框标出相似纹理，A2SB 以绿框标出 0.3 秒到 1 秒重建区。可执行观察是比较 AudioLDM 白框内细纹理保留、T-Foley 高频缺失与能量曲线分段、ThinkSound 与 AudioX 在事件级的接近程度，以及 A2SB 绿框内局部能量变化与全局能量延续。结论是标量指标之外的局部质感与时间组织差异需要看谱才能发现，粗能量跟随不能保证音色正确。

回到各自擅长操作，能力边界在哪里？

本节问题是：当各方法回到原生设置，修复长度、预训练流形、变形强度与编辑指令如何改变结果。这些分析是诊断性的，不做跨方法直接排名。条件分别是 A2SB 的短长遮罩、T-Foley 的域内与域外类、AudioLDM 与 AudioX 的不同噪声水平、ThinkSound 的衰减增强与混响指令。

看图路径： 1. 先看最左紫框参考列确认 sheep、toilet_flush 与 cough 三行起始音色；2. 再从左向右观察随噪声水平变化的谱结构渐变，判断保持与转化的过渡；3. 对比三行中部与右侧纹理发散程度，区分渐进变换与强变换的视觉差异

论文图 7。原论文 Figure 7：“Ablations on SFX Morphing task for AudioLDM [10] and AudioX [11] on ESC-50 [16].”。

该组变形图按三行组织 sheep 到叙述、冲水声到童声合唱、咳嗽到环境音乐，最左为参考，右侧随噪声水平增强而渐变。可执行观察是沿行从左向右看谱纹理从保持源结构到贴近目标提示的过渡，比较 AudioLDM 的突变与 AudioX 的渐进，并注意高强度下 onset 误差随之增大的倾向。论文的解释是小噪声更接近参考，大噪声更贴目标，AudioX 更平滑保身份而 AudioLDM 变换更强但保持更弱。

上表显示具体代价与反例。A2SB 随遮罩变长距离上升、对齐微降、多样明显收缩，长遮罩半高宽比更低提示重建瞬态变窄变锐，但 onset 级仍稳定，适合短修补而不适合长缺失。T-Foley 域内显著优于域外，说明共享任务的弱表现更多来自保真身份与域迁移限制而非单纯时间误差。变形任务中两方法都以对齐换多样，但 AudioX 斜率更缓。ThinkSound 在 1 秒到 4 秒遮罩上的三指令都接近参考，衰减略压目标瞬态、增强略提亮度、混响更弥散，但变化相对微妙，原因是提示简单且参考多为单主导事件，可供选择性修改的结构有限。

音效变形 × 目标编辑： 音效变形用目标提示把源音色向目标语义推移，分工是控制变换强度；目标编辑在指定时间区内按指令衰减增强或加混响，分工是只改局部不重写全局；搭配原因是前者考验跨语义保持能力，后者考验区内改动与区外保持的分离，组合后才能看出可控性是全局漂移还是定点生效。

综合看，没有方法在所有需求上占优。全生成的最强权衡仍需在需要定点修补或时间控制时让位给专属方法，而专属方法的结论不能推广为全局生成排名。

哪些结论站得住，哪些还不能说？

站得住的是在给定 ESC-50 共享任务与给定指标下的相对权衡。AudioX 在全生成基线中距离、对齐与人听同时占优，AudioLDM 以对齐与人评为代价换多样，T-Foley 在域外退化明显，A2SB 在短修复区稳定，这些都有客观与人评或专属对照支持。瞬态诊断与谱可视化支持包络跟随不等于质感保持的判断。

还不能说的是超出证据的推广。预训练配置异构，推理硬件批量与采样步数不同，效率只能作诊断参考，不能说某方法实际延迟更低。ESC-50 范围有限且多为短事件，不能推广到长时结构、多事件混叠或交互音乐全流程。多样高不等于有用多，论文已提醒需联读距离与对齐。相关性不是因果，例如域内表现好不能证明仅是数据重叠导致，还可能与模型容量与条件设计有关，原文也只表述为受限预训练流形解释。

缺失证据不是技术错误，但复现时要补：网页细节本次不可达，编码器冻结与条件层范围、修复区与全局计算口径、帕累托外其他权衡曲线都需回到原文与代码核对，不自行编造划分或聚合口径。

要复现这套评估，先做什么，缺什么？

先按学习依赖准备数据与检查点。下载 ESC-50 并按折 1 到折 3 训练、折 4 验证、折 5 测试组织，每折每类 8 条；加载 5 个基线的已发布预训练检查点，不从零训练。按各自原生方式实现最小条件：波形参考加类别名，T-Foley 另加参考派生时间特征与包络，ThinkSound 与 AudioX 按带噪参考采样，A2SB 按遮罩重建。每条测试参考生成 10 变体，每模型 4000 输出，客观统一裁剪 4 秒，A2SB 另记修复区口径。

再跑评价三件套。分布距离用 AudioLDM 评测实现按类计算再池化；对齐与多样用 ImageBind 音频嵌入，分别算参考变体余弦与变体间平均余弦距离；瞬态诊断用对数梅尔增量求和并归一到 0 到 1，固定最小间隔显著性与容限后算半高宽比、前置能量差与 onset 误差。人听按 15 人、每方法 100 随机试次、可重复播放、排除响度的 1 到 5 身份分组织，报告均值与 95% 区间。专属分析分别跑短长遮罩、域内域外分组、不同噪声水平变形与三指令定点编辑。

缺项要明确记录。本次伴随网页不可达，轻量微调的具体层、步数与超参数、完整能力画像与额外帕累托分析无法核对，复现时只能按官方仓库默认脚本跑通并注明与原文的差异。代码开源、权重下载与系统可运行是三件不同事情：有代码不等于有权重，能跑通演示不等于能在 ESC-50 上复现 4000 变体的批量流程。效率需在同一硬件与批量下重测推理时间，不直接引用原文跨硬件数字做选型结论。

何时值得尝试这套方法，带走哪几条经验？

当手头只有少量可复用录音，又需要多个不重复且仍是同一事件的变体时，这套框架值得尝试。它的价值不在给出冠军模型，而在把选型变成按需求查表：身份与知觉保真优先先看 AudioX 类全生成，追求强风格化接受漂移再看 AudioLDM，需要时间能量控制看 T-Foley 且尽量留在其原生流形内，需要短缺失修补看 A2SB，需要按语义指令动局部看 ThinkSound。

带走的经验有 3 条。第一，单一音频质量榜单不足以指导音效变体，必须同时看对齐、多样、人评与瞬态诊断，否则会被高多样或低距离误导。第二，控制信号与编辑域决定适用边界，包络条件管粗结构不管音色，局部上下文决定修复上限，简单指令在单事件参考上只能产生微妙变化。第三，比较必须保留实际可运行策略并注明计算口径，修复区分数不与全局分数混排，跨硬件效率不直接排名。未来统一管线需要在同一系统中兼顾真实感、身份保持、显式控制、局部编辑与高效部署，而这正是本文用 2 阶段协议为后续工作铺好的决策起点。

📐 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 6 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