REGION-CONDITIONED TARGET SPEAKER EXTRACTION VIA REVERBERATION CUES AND GAUSSIAN-KERNEL DISTANCE ENCODING

英文题目：REGION-CONDITIONED TARGET SPEAKER EXTRACTION VIA REVERBERATION CUES AND GAUSSIAN-KERNEL DISTANCE ENCODING

会议身份：conference:eusipco:2026:conference-paper-id:0000381

✅ 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：#CNN #麦克风阵列 #语音 #目标说话人提取

评分：6.8/10 | 创新 1.4/2 | 技术严谨 1.3/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

Lu, Shengjie：机构信息未能从会议 PDF 纯文本可靠映射
Zhou, Xiang：机构信息未能从会议 PDF 纯文本可靠映射
Yang, Yichen：机构信息未能从会议 PDF 纯文本可靠映射
Zhu, Bing：机构信息未能从会议 PDF 纯文本可靠映射
Zhang, Wen：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

目标说话人提取需从多通道混响混合中恢复区域约束下的目标语音，同方位干扰与混响拖尾导致方向线索模糊是主要难点。目标方向嵌入生成器先对目标角度窗做方向感知卷积与区域最大池化形成角度初筛，其输出与归一化多通道短时傅里叶特征拼接后送入SpatialNet骨干做跨频带与窄带双路径建模。距离与混响嵌入生成器再将峰值归一化高斯核距离向量与房间声学参数编码，经特征线性调制注入骨干实现近距离二次聚焦，最终经线性映射与逆变换重建波形。相对直接拼接原始距离标量与共享方向滤波的已有条件方法，解耦方向滤波器与高斯软编码更易表达逆平方衰减等非线性关系与区域不确定性，避免将距离退化为全局增益。在无角度限制混合条件测试集下，TDEG+GK Dist方法的SI-SDRi指标为17.90 dB，高于TDEG+Scale Dist方法的SI-SDRi指标17.71 dB。该结论适用边界受限于8 m至12 m仿真房间与给定方位距离区间先验，真实到达方向估计误差与盲混响估计下的外推尚未验证。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://mdddjking.github.io/spatial-cues-demo/ — 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，先保留哪些信息？

本文解读的对象是区域条件目标说话人提取研究，目标读者是刚进入语音与音频分离方向的研究生。解读的输入是论文正文证据与本次收到的官方演示页可达状态，输出是 1 篇可核对、可复述方法与实验条件的中文技术说明。必须保留的信息包括任务定义、多通道输入形式、3 个条件线索的真实计算方式、训练与仿真配置、评价指标方向以及主结果与反例的适用条件，不做超出证据的效果承诺。

任务是目标说话人提取，也就是从包含多个说话人与背景噪声、混响的混合信号中，只增强并分离出事先指定的目标说话人。论文把问题放在多麦克风阵列场景下讨论，典型例子是戴着麦克风眼镜的用户在房间内移动，阵列高度在 1.2 米到 1.9 米之间变化。初学者可以这样理解样本流程：多个声源各自经过房间脉冲响应到达每个麦克风，再叠加噪声，形成多通道混合；系统额外知道目标的大致方向、大致距离以及房间混响的大致严重程度，任务是利用这些区域条件把目标语音波形恢复出来。教学例子仅用于帮助理解流程，不代表论文报告了该例子的数值效果。

为什么方向线索单独使用会不够用，是本文的中心矛盾。论文指出，当干扰说话人与目标在方位角上靠得很近时，两者的空间特征高度相关，仅靠方向难以区分；混响会进一步涂抹方向线索，使到达方向估计本身也变差。距离因此被当作与角度互补的第 2 维度，而混响参数被当作描述环境失真程度的第 3 类线索。演示页在本次核对中状态为可用，地址为论文首页给出的演示链接，读者可试听但本文不把试听感受当作定量证据。

同输入同目标的已有路线卡在哪里？

在相同输入与相同目标下，已有工作大致分为 3 条路线。第一条是纯方向引导提取，代表是方向引导的端到端提取模型，做法是用估计的方向去引导分离网络聚焦目标。第二条是区域方向策略，为了容忍方向估计误差，不再只用一个点方向，而是提取以估计方向为中心的一定波束宽度内的语音。第 3 条是联合方向与距离引导，例如区域可定制的声音提取及其后续改进，做法是同时注入方向与距离标量。

论文对这些路线的判断是明确且有源的。区域方向策略仍然受空间模糊瓶颈限制，邻近声源的性能下降已有文献报道；混响使问题更严重。距离路线的问题在于实现方式：主流做法是把原始距离标量直接送入多层感知机，论文认为这形成表示瓶颈，低维标量难以与高维隐声学特征对齐，网络容易把距离只当作全局增益，难以学到逆平方衰减这类非线性物理关系，因此在空间接近时仍然退化。此外，已有距离感知方法往往缺乏对混响的显式建模，而复杂环境中混响是主导失真的因素之一。

本文与上述工作的同条件对照点在于输入都是多通道混合加空间线索，目标都是提取目标说话人，运行阶段都是在测试时给定估计或扰动后的线索。类别差异不能当作胜负，例如单通道仅用距离与房间线索的方法与多通道阵列方法不在同一输入条件下，本文的比较主要围绕多通道方向与距离条件基线展开。

多通道混合在时频域如何写成可计算的问题？

论文把多通道混合写在短时傅里叶变换域。记第 m 个麦克风在时间帧 t 与频率点 f 的系数为混合系数，记第 i 个声源的源系数与其到该麦克风的声学传递函数相乘，再对所有声源求和并加上噪声，即得到该时频点的观测。声学传递函数已经包含直达声、早期反射与晚期混响的影响，因此混响不是额外加的一项，而是蕴含在传递函数中的失真。

从初学者视角，一个样本走完的逻辑是：输入为多通道波形，经短时傅里叶变换得到复数时频谱；表示阶段把实部、虚部与对数幅度拼接为特征，并融合方向嵌入形成初始空间谱表示；组件阶段经堆叠的跨频带与窄带块做双路径建模，并接受距离与混响调制；目标阶段以目标语音为监督进行分离；输出阶段经线性映射与逆短时傅里叶变换恢复时域波形。目标区域在本文仿真中被明确定义为方位窗与距离窗，方位窗是中心方向左右各 10 度，距离窗是目标距离前后各 0.1 米，干扰说话人被随机放在该区域之外。

需要先建立的前置概念是到达方向、距离与混响指标。到达方向是白话说的目标在哪个方位；距离是声源到阵列的物理远近；混响时间、直达混响比与早期晚期能量比是描述房间混响严重程度的全局能量比或时间常数。后续所有组件都依赖这 3 个概念的分工，结论不能先于这些定义出现。

整体框架如何把三类线索送进同一个骨干？

整体框架包含两大部分。第一部分是特征提取模块，负责得到方向线索、距离线索与声学环境线索。第二部分是基于 SpatialNet 的分离骨干，负责执行双路径序列建模，其中跨频带块捕捉频率间相关，窄带块捕捉子带内时间动态，两类块交错堆叠。论文给出的网络由 8 个块堆叠组成，特征维度为 192，短时傅里叶变换采用 512 点汉宁窗、帧长 32 毫秒、帧移 16 毫秒。

数据流向可以按一个样本复述。多通道输入先做短时傅里叶变换，得到形状与麦克风数、时间帧数、频率点数有关的张量，其实部与虚部经归一化并拼接对数幅度差，形成初始时频特征。该特征与目标方向嵌入生成器的输出融合，形成初始空间谱表示。随后表示进入堆叠层，距离与混响嵌入生成器产生的声场景表示通过特征线性调制作用于中间特征。最后线性层映射到目标维度并做逆变换。

这种安排的理由在原文中有明确分工。方向模块提供角度可分性，完成早期的粗聚焦；距离与混响模块完成基于物理邻近的精细 2 次聚焦与环境鲁棒性补偿。论文的系统框图与跨频带层、窄带层结构在图 1 中展示，但本次未收到该图像素，因此本文只依据图注与正文转述模块连接关系，不描述图中坐标、颜色或模块具体位置。

目标方向嵌入生成器做了什么方向卷积？

目标方向嵌入生成器是方向线索的承载者。它的输入特征包含归一化的实部、虚部以及减去全局对数幅度期望后的对数幅度项，其中期望用滑动平均近似，目的是保证尺度不变性，训练与推理都执行该减法。目标方向被定义为中心方向左右各一个角度余量的窗，窗内离散方向集合在每 1 帧都可以由用户指定或由方向估计得到。

计算目标是得到对窗内方向敏感的特征输出。实现上，对窗内每个方向训练 1 个方向相关的 2 维卷积，卷积核尺寸为 3 乘 3，然后在窗内所有方向的卷积结果上做逐元素取最大，再经整流线性单元激活。与共享权重的普通卷积不同，这里是解耦的、方向专属的滤波器，配合对目标范围的硬门控与最大池化，使空间方向在网络早期就被隔离。论文报告的直观效果是高度锐化的空间选择性，避免靠得很近的声源在表示中纠缠。

到达方向 × 目标方向嵌入生成器： 到达方向指目标声源相对麦克风阵列的方位角，是粗粒度的角度线索；目标方向嵌入生成器分工是把以中心方向为基准的角度窗内多个离散方向各自配专属 2 维卷积核，再做逐元素取最大与整流，从而在网络第一层就只放大窗内方向。两者搭配的原因是单一方位标量对估计误差敏感且对邻近声源区分力弱，而区域化多核加硬门控能把方向选择提前，避免后层把靠得很近的两个声源表示纠缠在一起。

从复现角度，需要保留的关键超参数是角度窗 1/2 宽在仿真中取 10 度，方向扰动在训练与测试中加入正负 3 度的均匀噪声。论文未报告方向卷积核的具体初始化与是否冻结，因此复现时应按常规可训练卷积处理，并在复现记录中明确标注该缺项，不从模块名称推定参数更新方式。

高斯核距离编码如何替代单个浮点数？

距离线索的计算目标是给出一个既能表示远近、又能与高维声学特征交互的高维向量。原文做法是把最小距离到最大距离的区间离散为 64 个均匀空间锚点，仿真中最小距离取 0.5 米、最大距离取 3 米。对目标距离，以其为中心在所有锚点上计算高斯核响应，锚点越接近目标距离响应越高，远离则按高斯衰减平滑抑制。目标距离窗定义为目标距离前后各 0.1 米，高斯核的标准差取 0.05 米，正好使窗边界落在 2 倍标准差处，边界激活衰减到峰值的约 0.135 倍，约百分之 95 的概率质量集中在窗内。

这种设计的两个性质值得初学者复述。第一，窗内声源获得高权重，窗外干扰被平滑衰减，既保证空间选择性，又对微小的距离估计误差保持鲁棒。第二，峰值归一化的掩码使不同目标距离下的特征激活量级一致，有助于稳定梯度传播与优化。论文还指出，该表示有助于逼近逆平方律这类非线性约束，而原始标量注入难以做到这一点。

距离标量注入 × 高斯核距离编码： 距离标量注入分工是把一个浮点距离值直接送入多层感知机做全局条件；高斯核距离编码分工是把距离区间离散为多个空间锚点，再以目标距离为中心计算高斯核响应形成高维向量。搭配理由是单标量难以与高维声学隐特征对齐，容易退化为全局增益，而多锚点软表示显式保留邻近关系与衰减结构，使网络能逼近逆平方律这类非线性物理关系，组合意义是在方位失效时提供第 2 维度的精细聚焦。

需要区分的是，距离扰动在实验中加入正负 0.1 米的均匀噪声，标准差与扰动范围是同一量级，因此编码的鲁棒性是在与窗 1/2 宽匹配的误差范围内验证的，不能推广到误差远大于 0.1 米的情形。原文未给出距离锚点数与区间端点的消融，因此 64 个锚点与 0.5 米到 3 米的取值为当前报告条件下的选择，不应视为最优配置。

混响线索与差异化调制如何进入骨干？

距离与混响嵌入生成器负责把距离编码向量与混响标量融合成声场景表示。混响指标包括混响时间、直达混响比与早期晚期能量比，论文强调它们虽然与距离相关，但本质是全局能量比而非几何坐标，因此不需要网格离散，直接用标量即可刻画混响严重程度，避免引入网格离散的复杂性。距离编码与混响标量各自经独立线性层得到嵌入，拼接后经双曲正切非线性与两层线性映射，得到随时间变化的声场景表示。

融合机制是特征线性调制，即把声场景表示投影为缩放系数与偏置，对骨干中间特征做逐元素仿射变换。针对两类块的不同特点，论文采用差异化策略。对执行频率卷积的跨频带块，生成随频率变化的调制参数，并用低秩分解控制参数量以捕捉谱变化；对关注时间建模的窄带块，采用跨频率共享的通道调制，在保持时间自适应性的同时减少参数。跨频带与窄带分组卷积的核尺寸与分组数在实验配置中有明确取值，分别为 3 与 5、分组数为 8。

混响时间与能量比 × 距离与混响嵌入生成器： 混响时间与能量比指混响时间、直达混响比和早期晚期能量比这类描述房间混响严重程度的全局标量；距离与混响嵌入生成器分工是用独立线性层分别得到距离嵌入与混响嵌入，再拼接并经非线性映射为声场景表示。搭配原因是距离需要空间定位而混响指标本质是能量比，不需要网格离散即可刻画混响指纹，组合意义是让骨干网络同时知道目标有多远和当前房间有多混响，从而在强混响下仍能保持对直达成分的提取。

跨频带块 × 窄带块： 跨频带块分工是建模频率之间的全局谱依赖，捕捉不同子带间的相关结构；窄带块分工是在单个子带内建模时间演化，跟踪语音的时序动态。两者搭配构成双路径序列建模，原因是语音分离既需要跨频率的一致性又需要子带内的时间连续性，组合意义是交替堆叠后逐步精炼空间谱表示，再经线性层与逆短时傅里叶变换重建目标波形。

特征线性调制 × 跨频带与窄带差异化调制： 特征线性调制分工是把声场景表示投影为缩放系数与偏置，对中间特征做逐元素仿射变换；跨频带与窄带差异化调制分工是针对两种块的不同计算特点分别生成调制参数。搭配原因是跨频带块做频率卷积需要随频率变化的调制，而窄带块关注时间建模可用跨频率共享的通道调制以节省参数，组合意义是在不大幅增加参数量的前提下，让距离与混响条件在频谱维与时间维都产生自适应影响。

该模块的监督来源是显式的数值条件而非额外损失，距离用真值加扰动后的值，混响指标用房间脉冲响应计算的真值加扰动后的值。原文未报告调制分支的梯度是否截断，也未报告混响分支是否单独预训练，因此复现时应默认端到端训练并标注该缺项，不猜测梯度路径。

训练与推理的真实计算过程是什么？

本研究包含神经网络训练，不是无训练论文。训练数据为仿真生成，共 20,000 条训练样本、5,000 条验证样本、3,000 条测试样本，每条混合长 4 秒、采样率 16 千赫。干净语音来自 WSJ0 个数据集，背景噪声来自 NOISEX-92 个数据集，信噪比在 10 分贝到 20 分贝之间均匀采样。房间脉冲响应由 gpuRIR 生成，房间长宽在 8 米到 12 米之间均匀采样，房高在 3 米到 4 米之间均匀采样，混响时间在 0.2 秒到 0.8 秒之间均匀采样。目标与干扰的方位差在总体评价中覆盖 0 度到 180 度，极端划分实验另行控制角度或距离间隔。

优化过程使用 Adam 优化器，批量大小为 4，学习率初始为 0.001 并按每轮 0.99 的指数衰减。论文未明确报告损失函数形式、总训练轮数与早停准则，因此本文不能复述损失细节，只能说明监督目标是提取目标语音，并在复现清单中把损失与停止条件标为缺项。训练与测试都加入线索扰动以模拟估计误差，方向加正负 3 度均匀噪声，距离加正负 0.1 米均匀噪声，混响指标按盲估计器性能分别加 0.19 秒、2.7 分贝、2.2 分贝范围的均匀噪声。推理时同样使用扰动后的线索，而不是理想真值，这保证了报告性能是在含误差条件下的可运行性能。

需要澄清的误解是，扰动训练不等于系统不需要估计器。论文的输入条件是用户给定或方向估计给出的中心方向、距离估计与混响估计，只是用均匀噪声近似估计误差。复现时若要用真实估计器替换扰动，需要另行验证误差分布是否与均匀假设一致，否则不能直接套用本文数字。

数据划分、基线与指标方向如何保证可比？

评价使用 4 个指标，方向均为越高越好。信噪比失真改善与尺度不变信噪比失真改善衡量分离前后目标失真的下降程度，数值越大表示从混合中恢复的目标越干净；语音质量感知评价衡量听感质量；短时客观可懂度衡量可懂度，原文以百分比形式呈现。每个表格数字都应同时核对数据集、基线、实验阶段、指标与聚合对象，数值相同不能当作同一指标，百分点与相对百分比含义不同。

基线包括 3 类实际可运行策略。方向引导的 DSENet 与本文方法共享分离骨干，因此两者比较能 isolate 方向嵌入改进的作用；联合方向与距离引导的 ReZero 与 DSS 作为区域提取基线；本文内部还比较仅用目标方向嵌入、加原始距离标量、加高斯核距离、再分别加混响时间、早期晚期能量比与直达混响比的版本。所有方法在相同仿真协议与扰动条件下评价，总体表不加角度限制，极端表则通过控制变量 isolate 角度或距离的影响。

论文特有的协议细节有两类值得展开。第一是空间分辨率划分。角度分辨率实验要求径向距离差至少 0.5 米，以 isolate 角度线索的作用，再按目标与干扰的方位间隔划分为多个区间；距离分辨率实验则要求方位对齐，再按径向距离差划分区间。第二是混响真值计算。

直达混响比与早期晚期能量比的真值从房间脉冲响应计算得到，再加均匀扰动模拟盲估计误差，扰动范围依据盲估计器文献性能设定。这些细节是复现时必须对齐的公平条件，改变任一项都会使数字不可比。

总体性能在相同条件下比基线高多少？

总体比较要回答的问题是，在不限制角度间隔的测试集上，3 个新增机制是否带来一致增益，指标方向均为越高越好，公平条件是相同仿真房间、相同扰动与相同骨干或同类任务基线。下表整理总体性能，数值保留原文写法，信噪比失真改善与尺度不变信噪比失真改善单位为分贝，可懂度以百分比呈现，质量分为原始分。

方法	尺度不变信噪比失真改善	信噪比失真改善	语音质量感知评价	短时客观可懂度
ReZero	10.67	11.13	2.01	91.04
DSS	10.75	11.22	2.06	91.33
DSENet	15.65	16.18	2.86	96.04
仅目标方向嵌入	17.39	17.82	3.08	96.58
目标方向嵌入加原始距离标量	17.71	18.10	3.14	97.23
目标方向嵌入加高斯核距离	17.90	18.25	3.19	97.36
目标方向嵌入加距离混响嵌入直达混响比	18.12	18.48	3.20	97.51

表后解释需要同时给出收益与代价。论文报告显示，仅目标方向嵌入比共享骨干的 DSENet 高 1.74 分贝的尺度不变信噪比失真改善，支持方向卷积改进有效；高斯核距离比原始距离标量高约 0.19 分贝，支持高维软表示优于单标量；加入直达混响比后达到 18.12 分贝，为总体最优，支持显式刻画直达与混响能量比有助于混响环境下的提取。代价与反例同样明确：ReZero 与 DSS 总体偏低，论文将其归因于骨干容量限制，但这属于有限解释而非严格因果；混响时间版本在质量分上未同步最优，说明不同混响指标对不同评价维度的影响并不一致，不能把总体最优推广到每个指标都最优。

方位为零与距离很近时哪一级条件在起作用？

极端条件比较要回答的问题是，当角度线索失效或距离间隔很小时，距离与混响是否仍能解决空间模糊，测试通过固定 1 维、划分另 1 维来实现，指标为尺度不变信噪比失真改善，越高越好。下表先看方位间隔划分，此时已保证径向距离差至少 0.5 米，再看距离间隔划分，此时要求方位对齐，两类划分条件不同，不能混为一列比较，宽表要求下本表保留方法与多个间隔的对应关系。

方法	方位 0 度	方位 0 到 5 度	方位 5 到 10 度	距离 0 到 0.1 米	距离 0.3 到 0.5 米
ReZero	2.40	4.86	8.69	-1.38	2.13
DSENet	-1.22	4.73	6.76	-0.47	-0.89
仅目标方向嵌入	-1.05	2.73	7.69	-0.47	-1.16
目标方向嵌入加原始距离标量	11.66	12.23	15.49	2.05	5.92
目标方向嵌入加高斯核距离	11.80	12.38	15.54	2.48	6.09
目标方向嵌入加距离混响嵌入直达混响比	14.16	14.47	16.36	1.87	8.98

表后解释要区分报告与推测。论文报告显示，在方位完全重合的 0 度条件下，仅靠方向的方法退化到 0 分贝以下，而加入高斯核距离后提升到 11.80 分贝，直达混响比版本进一步到 14.16 分贝，支持距离在角度失效时解决模糊；在小距离间隔下高斯核距离仍高于原始标量，支持其距离分辨率更优。反例是距离 0 到 0.1 米时直达混响比版本为 1.87 分贝，低于高斯核距离版本的 2.48 分贝，论文解释为相似混响指纹带来直达混响比偏置，这属于有限解释，待进一步验证。

但在 0.3 米以上间隔时混响指纹差异显著，直达混响比带来大幅增益，例如 0.3 到 0.5 米区间从 6.09 分贝提升到 8.98 分贝。未胜出项必须保留：纯方向版本在小角度与小距离下均为负增益或低增益，不能被总体平均掩盖。

哪些边界没有测，不能承诺什么？

论文明确报告的限制应如实转述。首先，距离 0 到 0.1 米叠加方位对齐的极端组合下，即使最优版本也只有 1.87 分贝左右的改善，远低于大间隔条件，说明空间完全接近时分离仍然困难。其次，直达混响比在最小距离间隔出现轻微退化，表明当两个声源混响指纹相似时，全局能量比可能引入偏置，此时不应承诺混响条件在所有间隔都带来增益。

未评测的边界同样重要。论文未测量误判率、系统延迟、实时因子与模型参数量随调制分支增加的变化，因此不能承诺延迟或成本得到改善；训练资源与推理开销、输出帧率与实际延迟应分别讨论，总体趋势不等于每步都成立。估计误差仅用均匀分布近似，真实方向、距离与混响估计器的误差可能非均匀且相关，换用真实估计器时性能可能变化，这属于未验证推测，应表述为可能与待验证。相关性也不是因果，例如骨干容量与基线偏低的关联只是论文的有限解释，不能当作已证明的因果结论。

另一个常见误解是把总体最优当作每组最优。总体表中直达混响比最优，但在质量分与小距离间隔上并非处处最优；极端表中大角度间隔下各方法差距缩小，说明新增机制的主要价值集中在小角度与中等距离间隔，不能推广为全程同等有效。

要复现应先对齐哪些参数与信息条件？

复现时值得尝试的情形是目标与干扰在方位上接近、房间混响中等偏强，且能提供大致的方向、距离与混响估计的阵列场景。若只有单通道或无法提供距离与混响条件，则不属于本文验证过的可运行策略，不应期待相同数字。

先要做的对齐清单包括仿真与特征两部分。仿真侧：房间尺寸、混响时间范围、信噪比范围、目标区域窗、锚点区间与锚点数、扰动分布都要按原文设置；混响真值必须从房间脉冲响应计算再加扰动，不能直接用仿真输入的混响时间代替直达混响比。特征与网络侧：短时傅里叶变换窗长与帧移、堆叠块数与特征维度、方向卷积核尺寸、分组卷积核尺寸与分组数、学习率与衰减、批量大小都要保留。论文给出代码开源之外的信息是演示页当前可用，但未在本证据中说明训练代码与权重是否公开，因此复现应区分数值可重放、代码可运行与权重可下载三件事，不把演示可用等同于系统可运行。

还需补的验证包括换用真实估计器后的端到端性能、在移动阵列与真实房间脉冲响应上的泛化、以及不同锚点数与窗宽的敏感性。原文未报告损失函数与早停，复现时应先固定一种常用分离损失并记录，再对比扰动与无扰动训练的差异，避免把缺项当作默认最优。

这篇工作的可带走结论是什么？

带走的结论可以压缩为三句话。第一，区域方向卷积把方向选择提前到网络第一层，在共享骨干的对照下比方向基线提升明显，适用于方向估计有小误差但干扰不太贴身的情形。第二，高斯核距离编码用多锚点软表示替代单标量，在方位重合时仍能提供可用的第 2 维度，且在小距离间隔下保持更优的分辨率，适用于角度失效的极端条件。第三，直达混响比作为全局能量比条件，在中等以上距离间隔下显著增强区分性，但在最小间隔且混响指纹相似时可能引入偏置，需要按间隔条件使用。

对初学者的学习依赖建议是，先能复述样本流程与 3 个线索的分工，再能写出方向窗、距离窗与高斯核的作用，最后才能理解差异化调制的参数节省逻辑。重提结果时应增加适用条件：总体 18.12 分贝的最优是在含扰动的仿真集与特定窗宽下取得；0 度方位下 14.16 分贝的最优依赖至少 0.5 米的径向间隔保证；最小距离间隔的最优仍是高斯核距离版本而非混响版本。这些限定正是可核对解读与营销式判断的区别。