检索与合成分开做会断流：QuAP 把找声音和造声音放进同一个插件

英文题目：Quality Audio Prototyping: A Prototype System for Unified Sound Retrieval and Procedural Generation

会议身份：conference:dafx:2026:conference-paper-id:DAFx26_paper_53

✅ 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：#软件工具 #CNN #用户研究 #音频生成 #音频检索

评分：5.9/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.2/1.5 | 可复现 0.1/0.5 | 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

• Nelly Garcia：机构信息未能从会议 PDF 纯文本可靠映射
• Aditya Bhattacharjee：机构信息未能从会议 PDF 纯文本可靠映射
• Gabryel Mason-Williams：机构信息未能从会议 PDF 纯文本可靠映射
• Israel Mason-Williams：机构信息未能从会议 PDF 纯文本可靠映射
• Emmanouil Benetos：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

影视音效设计需在本地大库中按声学相似快速定位非语音非音乐素材，找不到合适录音时又要面对难调的参数合成，检索与生成割裂打断创意流。QuAP以统一JUCE插件承接混合流程，输入为本地音效库与拖拽音频示例或文本元数据，输出为相似检索排序、可调程序化声音及其叠层混音。离线阶段用AudioSet预训练加FSD50K监督对比微调的MobileNetV3提取全库嵌入并存入FAISS向量库，后台异步建索引以支撑快速查询。在线阶段将查询映射到同一嵌入空间做近邻检索，并行调用Nemisindo引擎中六类加法、模态、物理启发与减法合成器生成变体，再进入混合层叠加。规则式参数助手将特征驱动瓶颈框架验证的感知有效区间与白话解释叠加在合成控件上，保留设计者主导权，这是相对割裂式检索或合成工具的关键机制差异。在FSD50K保留测试集下，MobileNetV3的mAP指标为0.449，高于ResNet18-IBN基线的mAP指标0.412。20人MUSHRA显示火等五类显著改善而火箭未显著、爆炸优化反降，16人研究中75%认为对工作流有用，表明其适用边界受限于六类特定音效的探索性打底与叠层，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://quap.netlify.app — 链接可访问（HTTP 200）
• 演示资源：https://saop-project.netlify.app — 链接可访问（HTTP 200）
• 复现相关资源：https://quap.netlify.app — 链接可访问（HTTP 200）
• 第三方资源：https://juce.com — 链接可访问（HTTP 200）
• 第三方资源：https://nemisindo.com — 链接可访问（HTTP 200）
• 第三方资源：https://splice.com — 链接可访问（HTTP 200）
• 第三方资源：https://krotos.com — 链接可访问（HTTP 200）
• 第三方资源：https://elevenlabs.com — 暂时无法访问
• 第三方资源：https://www.izotope.com — 链接可访问（HTTP 200） 预印本/扩展版链接未在会议页展示；会议版来源见页首官方记录与 PDF。 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，为什么值得做统一？

这篇解读的输入是 DAFx26 论文正文与 3 张官方原图像素，目标是让刚进入音频领域的研究生能复述 QuAP 的做法并知道证据边界。必须保留的信息包括任务范围、系统 4 组件与 2 阶段流程、6 个程序化模型的优化方式、检索编码器选择、主观与用户评估条件与数字。输出是 1 篇可核对的方法解读，不做营销式判断。

论文研究的声音设计任务明确限定为视听制作中的非语音、非音乐声音，例如环境声、层叠纹理和音效元素。输入是设计师手头的声音库加一段查询音频或文字，以及叙事概念需要的新变体；输出是检索到的库样本、程序化模型生成的新样本，或二者混合后的新样本。痛点在于现有流程在检索库与调制合成之间来回切换，检索系统、合成引擎与组织工具是断开的应用，打断探索阶段的创作流。

QuAP 的中心判断是把相似度检索、程序化生成与混合层叠放进同一个用 JUCE 开发的原型界面，用一条工作流减少程序性距离。论文用三部分支撑该判断：混合检索结合文本与嵌入并用 FAISS 加速向量搜索，内嵌 6 个经优化的合成模型覆盖物理、模态与减法等做法，规则助手给出经感知验证的参数范围与白话解释。后续各节按学习依赖展开，先讲相关路线，再讲全景与组件，再讲训练与构造，最后讲实验条件、结果反证与复现。

同输入同目标的已有路线分在哪里？

检索轴的已有工作包括高特异性音频指纹、音乐版本识别和声乐模仿查询，近年转向用在大规模音频标注上训练的卷积嵌入把声音映射到度量空间，使语义相近者在空间中靠近。论文引用轻量 MobileNet 在表征能力与计算效率之间平衡好，适合实时交互与端侧检索，并说明自己沿用该编码器路线。

合成轴的已有工作是程序化音频，用数学模型模拟物理或电子发声过程，参数可调而非固定录音，可提供样本做法给不了的参数变化与交互控制。但参数空间维度高是非专家用户的采用障碍，已有智能声音工程工作试图把复杂参数映射到低维感知有意义的表示。QuAP 的助手延续该方向，把交互约束在感知验证过的区间。

关键对照是音乐偏置问题。多数大规模音频模型在音乐偏置数据上训练，优先建模调性节奏旋律结构，论文指出这难以泛化到音效的非线性、纹理与物理动机特性，而声音设计要的是参数控制、音色特异性与叙事贴合而非音乐连贯。商业工具如 Splice、Krotos、ElevenLabs 与 iZotope 被点名为只解决管线单点，没有集成方案。教学例子：若把音乐检索模型直接拿来找爆炸或火焰纹理，可能因偏向音高结构而错过噪声质感差异，这正是论文要换用音效语料微调的理由，该例子仅用于理解类别差异，不代表论文测过该跨域数值。

论文到底要解决哪一个可操作的问题？

论文要解决的是探索阶段的流程断裂与程序化门槛。操作定义很具体：设计师先在库中找一段火声，再基于该质感生成一个新变体，过程中不离开同一界面。传统做法需要先在检索平台手动浏览，再打开外部插件调合成参数，最后在混音软件里层叠，状态是断开与线性的；QuAP 希望做到统一与可迭代。

为此论文把问题拆成 3 个可验证的子问题。第一，相似度检索能否在用户库规模下近乎实时返回声学相近样本。第二，6 个程序化模型经针对性后期处理后是否在人耳听感上更接近录制参考。第三，规则助手给出的区间与解释是否降低交互门槛同时保留创作自主。3 个子问题分别对应消融对比、MUSHRA 主观评估与 16 人用户评估，缺一不可，不能只用检索精度证明合成可用，也不能只用主观分数证明工作流被接受。

沿一个火声样本走完输入到输出

先设一个具体样本：设计师想做一段新的火焰音效，手头有一段录制的火声查询。第一步是离线建库，用户加载声音库后每个文件经嵌入网络生成固定维度向量，存入 FAISS 向量库，该过程在后台线程异步执行且界面给出进度，避免卡住插件响应。第二步是在线查询，把拖放的查询音频送入同一嵌入模型得到查询向量，与索引库做最近邻搜索并按嵌入相似度排序显示。

第 3 步是分支判断，若查询名对应到有程序化模型的类别，系统路由到程序化音频引擎，右侧面板露出该类别的参数旋钮与助手建议；若无对应模型，则只做检索。第四步是混合层叠，库样本缓冲与合成样本缓冲进入混合判定，混合则生成新声音样本，否则保存合成样本。整条路径同时支持文本搜索直接进入检索结果，文本与嵌入两路构成混合检索。

下图是系统架构流程图，阅读时先抓离线与在线 2 个阶段，再看分支与混合如何闭环。

看图路径： 1. 先从左上加载库经离线嵌入到索引库的箭头看离线路径；2. 再看左下拖放与文本两路查询如何汇入检索结果；3. 接着看查询名是否匹配的分叉如何决定是否进入合成引擎；4. 最后看右下库样本与合成样本如何在混合判定后生成新样本

论文图 1。原论文 Figure 1：“QuAP system architecture. The loading library stage (top left) processes the user’s audio library through an offline deep- embedding extractor and FAISS indexing backend,…”。

图 1 把四块组件摆在同一张流程图里。左上加载库经离线深度嵌入提取器与 L2 索引库构成离线阶段，左下拖放与文本查询经实时推理搜索得到前 N 样本构成在线阶段，右上声音合成模型加用户参数界面加嵌入式参数助手构成生成侧，右下库样本缓冲与合成样本缓冲经是否混合的菱形判定构成输出侧。红色粗箭头强调索引库可直接服务查询输入，中间查询名是否匹配的菱形是检索通向合成的开关。该图不支持 latency 数值结论，只能确认流程与模块连接关系。

检索侧做了什么计算，合成侧露出哪些参数？

检索侧的计算分 2 次。离线时对库内每个音频文件算 1 次嵌入向量并建 FAISS 索引，显著降低后续相似查询的计算 cost；在线时只对查询样本算 1 次向量再做最近邻排序。为兼容不同硬件，系统在初始化做轻量标定，估计宿主机算力并调整推理参数以维持交互性能，原文未给出标定阈值与调整的具体参数名，这是复现时需要补看代码的缺项。

合成侧内嵌 6 个经 Nemisindo 合成引擎提供的程序化模型，灵感来自 Farnell 的设计原则。按论文表格交代，火模型为加法模态减法混合，露出起泡、嘶声、爆裂与强度参数，优化是低频混响压缩均衡；爆炸为加法模态物理启发，露出隆隆、空气与尘土的衰减与量，优化是混响失真压缩；喷气为加法物理启发，露出涡轮燃烧速度，优化是高频混响失真均衡；火箭为减法模态，露出时长与腔体共振，优化是混响压缩。

直升机为物理启发，露出周期频率距离，优化是混响失真；枪声为加法模态物理启发，露出弹壳频率与衰减，优化是混响压缩。

基于内容的音频检索 × 混合检索： 基于内容的音频检索分工是按声音本身的声学相似度找库内样本，混合检索分工是同时保留文本元数据搜索和嵌入相似度搜索；二者搭配的理由是文本能定位类别名而嵌入能定位质感相近但名字不同的样本，组合意义是拖入一段火声既能用文字过滤又能用向量找相似层叠素材。

音频嵌入 × FAISS 向量检索： 音频嵌入分工是把一段音频映射为固定维度的特征向量使语义相近者在空间中靠近，FAISS 向量检索分工是把全库向量建成索引并做最近邻查询；搭配理由是逐文件比对波形太慢而向量距离可快速排序，组合意义是离线建库 1 次后在线查询只需算 1 次查询向量即可返回最相似的若干样本。

界面把两路动作放在同一窗口。左面板显示库搜索结果并支持文本与拖放相似查询，右面板在有可用模型时露出程序化控制并叠加助手的感知参数建议，底部有样本增益与合成模型增益两条滑杆用于混合。下图是图形界面截图，可对照上述布局理解。

看图路径： 1. 先看左侧大面积检索区与顶部搜索框加底部助手气泡的布局；2. 再看右侧程序化面板四个旋钮与上方启动按钮和预设选择的关系；3. 最后看底部两路增益条如何对应库样本与合成模型的混合

论文图 3。原论文 Figure 3：“QuAP graphical user interface. The left panel displays the audio library search results, supporting both text-based and drag-and-drop similarity queries.”。

图 3 显示顶部标题栏下有加载库、录制、播放与停止按钮，左侧检索区顶部有文本框并在左下有机器人助手的气泡提示，右侧程序化火面板有启动按钮、预设选择与 4 个旋钮，底部显示无波形加载与两路增益。该截图只证明布局存在，不证明检索排序质量或合成音质，像素较模糊处不要硬读具体分贝或波形形状。

规则助手如何给建议，又不替人做决定？

助手被明确实现为规则指导系统，区别于大语言模型或生成式人工智能。它对 6 个模型做两件事：显示来自特征驱动瓶颈优化的预定义参数范围，即 MUSHRA 中被认为与录制参考最相似的配置区间；提供每个合成参数控制什么的白话描述，让不熟悉合成模型的人也能理解旋钮的听感效果。

关键是它不动态生成或自适应推荐，只是把经验验证过的区间与描述覆盖在合成控制上，设计师保留对输出的完全控制。论文把这点与程序化音频的高维技术命名障碍对应起来，认为只给区间与解释可以支持批判性聆听而非把决策委托给自动化。用户评估中所有参与者都同意助手保留了创作自主并降低了程序化交互门槛，有人用保持人在回路来形容这种感觉。

程序化音频 × 嵌入式参数助手： 程序化音频分工是用数学模型从参数实时生成新声音而非播放固定录音，嵌入式参数助手分工是把主观评估中被认为更真实的参数区间和每个旋钮的白话解释叠加在界面上；搭配理由是合成参数空间维度高新手难以下手，组合意义是保留全部旋钮控制权的同时把探索限制在经验验证过的区间内。

需要区分的是助手建议的适用条件。它只在有可用程序化模型的类别上出现，目前是 6 类；超出 6 类的查询只能走检索与混合，不能指望助手给出区间。把助手理解为全库通用自动调参会误读论文，原文未报告助手在未见类别上的行为，也未测量误判率。

没有端到端大模型训练时，真正的计算发生在哪里？

本研究没有训练一个从文字直达波形的大型生成模型，真正的学习与构造发生在两条独立但互补的线上。第一条是程序化模型的参数优化，用特征驱动瓶颈框架找关键声学特征，再做针对性后期处理；第二条是检索编码器的选择与微调，用监督对比学习在音效数据上微调 MobileNet 并做消融。本节讲清监督来源与冻结更新的已知部分，未报告处明确标为缺项。

特征驱动瓶颈框架用 Essentia 从 6KSFX 数据集提取底层音频特征，对每个类别做录制与合成的 1 对多分类，再做前 K 重要性回归与前 K 分类，找出最能区分两者的声学特征。基于重要性结果对每类加不同的后期效果，具体组合见组件节，暴露的参数范围建议也来自这些发现。原文未给出优化器的学习率、轮数与冻结细节，不能从框架名推定梯度路径。 下图是该框架的 3 步示意，先确认颜色图例再跟数据流向。

看图路径： 1. 先对照右侧图例确认橙色为特征紫色为重要性绿色为模型；2. 再按第一步到第三步顺序看从二分类到回归再到分类的输入变化；3. 观察每步下方输出如何从每类重要性收敛到预测类别

论文图 2。原论文 Figure 2：“Feature-driven bottleneck framework used to optimise procedural audio model parameters.”。

图 2 从左到右是第一步 1 对多二分类、第二步面向前 K 的特征重要性回归、第 3 步用前 K 预测重要性做类别分类。每步上方橙色为输入特征，中间绿色为模型，紫色为输出的重要性，黄色为类别预测。第一步输出每类的重要性，第二步输出前 K 预测重要性，第 3 步输出预测类别。该图只说明方法阶段划分，不包含具体特征名与 K 值，数值需回正文表格核对。

特征驱动瓶颈框架 × MUSHRA 主观评估： 特征驱动瓶颈框架分工是用分类加特征重要性回归找出最能区分录制与合成的关键声学特征，MUSHRA 主观评估分工是让人听默认合成与多种优化版本并打分验证是否真的更真实；搭配理由是机器找出的特征需要人耳确认，组合意义是只对关键差异加混响压缩失真均衡等后期处理并把有效区间写回助手。

监督对比学习 × FSD50K 数据集： 监督对比学习分工是拉近同语义类嵌入、推远不同类嵌入以形成可检索的度量空间，FSD50K 数据集分工是按 AudioSet 本体提供层级类标签作为同类异类的监督来源；搭配理由是音效需要按事件质感聚类而非按音乐调式聚类，组合意义是在该音效语料上微调后嵌入空间更适合非线性纹理类声音的相似度排序。

检索编码器的构造是先用在 AudioSet 上大规模音频标注预训练的 MobileNet 骨干，经 EfficientAT 框架得到的权重初始化，再用 FSD50K 的层级类标签做监督对比学习，使同类嵌入聚拢、异类推远。原文未报告对比损失温度、批量采样策略与是否冻结骨干，这些是复现检索训练时缺失的超参数，只能按第 4.3 节的过程复述，不能从模型名推定实现。

数据划分指标与人评协议各测什么？

数据与协议按 3 个评估组织。程序化优化验证用 MUSHRA 主观评估，20 名参与者听默认合成与优化变体，按与录制参考的相似度打分，报告均值、F 值与 p 值，显著性阈为 p 小于 0.05。喷气类别因参与者一致认为优化输出仍太合成而被排除在最终主观评估之外，火箭 p 为 0.08 未达显著，提示仅靠均衡混响失真压缩等后期处理不够，需要改合成算法层代码。

检索消融用 FSD50K 的保留测试划分，对比 MobileNetV3 与 ResNet18-IBN 基线，二者用相同数据预处理与训练流程以保证公平，指标为平均精度均值与归一化折损累计增益，越大越好。FSD50K 是声音事件数据集，按 AudioSet 本体标注，论文强调有意偏离音乐中心训练数据，使嵌入空间优化给非线性纹理类音效。

用户评估经机构伦理批准，16 人包括 8 名声音设计师、4 名音频研究者与 4 名音乐制作人，面对面用认知走查观察找火声再生成变体的引导任务，远程则提供独立插件、书面说明与视频教程。转录用主题分析得到工作流集成、界面、创作自主、质量评估与未来潜力五主题。插件与材料在补充文档中提供，项目网站给出完整优化细节，伴随研究正在审稿中。

主观优化结果：哪五类改善了，哪一类没有？

比较问题是经特征驱动优化加针对性后期处理后，6 类合成是否比未优化默认版本更接近录制参考。公平条件是同一 MUSHRA 协议下听默认与多个优化变体，指标方向是分数越高越真实，显著性看 p 是否小于 0.05。表后解释需同时看收益与反例，不能只报最高分。

表中火从 28.85 到 40.45、直升机从 41.10 到 51.20、枪声从 35.95 到 45.60 均达显著，火箭从 37.85 到 49.20 但 p 为 0.08 未达显著。爆炸出现反例，最优 52.55 低于默认 56.40 但仍报告显著，论文解释为所加后期处理引入了感知伪影而非改善，支持按类别定制优化而非统一加效果。火的最优仍在 MUSHRA 的轻微相似区间，论文认为这不妨碍其作为层叠基础的实用价值，用户评估也支持叙事贴合与可层叠即够用的判断。重提数字时要绑定数据集与阶段：这些是 MUSHRA 人评分均值，不是自动指标，不能与检索的平均精度混为一列。

下表把 3 类评估的人数与结论放在同一宽表里，便于核对样本量与报告口径，第二张宽表在下一节后出现。表前已说明比较问题，表后解读见本段后半与局限节。

表后解释要区分两个 75% 与 10 人的不同口径。前者是认为有用并可能帮助工作流的比例，后者是明确标识为可行工作流工具的人数，二者任务措辞不同不能互换。所有参与者同意助手保留创作自主是全员一致的定性结论，不是精度数字。MUSHRA 的 5 类显著改善对应 p 小于 0.05，火箭与喷气是未胜出项，分别对应未显著与被排除，复现时应保留这两个负结果而非只报最优类。

编码器消融：轻量选择是否牺牲精度？

比较问题是在相同预处理与训练流程下，MobileNetV3 是否比轻量卷积基线 ResNet18-IBN 更适合音效检索。公平条件是同为 FSD50K 保留测试划分、同指标平均精度均值与归一化折损累计增益，方向均为越大越好。论文还给出安排理由：MobileNetV3 在声乐模仿查询上经微调达到过强结果，且计算高效对数字音频工作站的延迟与内存约束重要。

表中 MobileNetV3 以 0.449 对 0.412 在平均精度上占优，以 0.656 对 0.625 在归一化折损累计增益上占优，幅度不大但方向一致。论文的判断是选择 MobileNetV3 既因精度占优也因部署效率，总体趋势不等于每类查询都占优，原文未报告按类细分与延迟实测，因此不能承诺推理延迟一定改善。相关性不是因果，音效语料微调与精度提升伴随出现，但未做音乐语料对照，不能断言音乐偏置是唯一原因。

下表把系统组件与规模放在同一宽表里，用于复述离线在线分工时的数量口径。

表后解释要看到代价与边界。该集成减少切换但只覆盖 6 类，超出类别只能检索不能生成；离线建库把查询加速的代价前移到加载阶段，库越大后台时间越长；实时性的结论依赖标定与 ONNX 运行，未报告具体硬件预算与帧率，复现时需自己测延迟与内存。

哪些结论有边界，哪些数不能互换？

论文直接报告的是三点：5 类显著改善但火箭 p 为 0.08 未显著且喷气被排除，MobileNetV3 在 FSD50K 保留划分上两指标均高于基线，16 人中 75% 认为有用且全员认为助手保留自主但仅 10 人明确视为可行流程工具。有限解释是火虽仅轻微相似仍可作层叠基础，这得到用户层叠策略的定性支持，但未测量层叠后的最终成品分数，仍是待验证的实用推断。

未验证推测包括更大模型库与长期工作流融入的效果，论文把扩展类别与改进火箭喷气合成质量列为未来工作，并计划更大规模用户研究。缺失证据不是技术错误，但复述时要用可能待验证表达：不能把自动指标当成人评，不能把平均精度差值放到主观评分类下，不能把末步最优推广为全程最优，也不能把总体趋势说成每组查询都成立。

4 个指出范围约束或未解瓶颈的参与者界定了当前试点边界，质量担忧很少，更多是希望可见可用模型列表、助手更醒目、波形可视与故事板集成。这些是界面与覆盖度问题，不是检索排序错误的误判率证据，原文未测误判率与成本，解读中不承诺这些量得到改善。

要复现，先跑通什么，再补测什么？

复现先做三件事。第一，按 2 阶段跑通检索：用同一嵌入模型对库文件离线提向量建 FAISS 索引，后台线程加进度提示，再对拖放查询算向量做最近邻排序，文本搜索作为并行入口。第二，对照 6 类参数表露出对应旋钮并叠加助手区间，火调起泡嘶声爆裂强度，爆炸调隆隆空气尘土衰减与量，其余按组件节表格复位。第三，用 MUSHRA 协议复测默认与最优变体，保留 F 值与 p 值并单独列出火箭与喷气的负结果。

资源状态是开源声明的唯一依据。本次收到的资源校验显示演示与复现链接当前可用，JUCE 与 Splice、Krotos、iZotope 等第三方链接当前可用，ElevenLabs 本次未能确认可达。可用不等于权重与代码可一键运行，需区分代码开源、权重下载与系统可运行 3 种状态，缺失的对比超参数如温度批量与冻结策略要去补充文档与项目网站核对。

还需补两项验证。一是按硬件记录离线建库时间、查询延迟与内存占用，因为原文只说近乎实时与轻量标定而未给预算。二是做按类细分的检索精度与层叠后成品的人评，因为现有证据只支持保留划分总体占优与单模型相似度改善，不支持全类别与全流程最优的推广。

何时值得尝试这种统一做法？

当任务是影视非语音非音乐音效的快速原型，且手头已有一定规模的声音库并需要新变体而非完美复刻时，值得尝试检索加程序化加混合的统一做法。它的价值不在替换任一单点工具，而在把找质感相近素材与调参数造变体放在同一可迭代环境，并用经验区间降低上手门槛。

不值得照搬的情形是类别超出 6 类、追求单样本高度逼真，或运行环境无法承担嵌入推理与后台建库开销。此时更稳妥的是先用混合检索做层叠基础，再在外部精修，或先扩展合成算法层而非只加后期效果。论文对爆炸加效果反降、火箭需改代码、喷气太合成的记录，正是判断是否加统一系统的依据。

给研究生的复述抓手是：一句话说清输入库加查询到库样本加新样本的输出，2 阶段说清离线建索引与在线算查询向量，三证据说清 5 类显著、检索占优与 16 人反馈，一边界说清 6 类与两类短板。记住平均精度与人评分是不同指标，百分点与相对百分比不同，不同指标的差值不能并列，表头与图注冲突时标注冲突而不编造划分口径。

📐 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 4 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