英文题目：Ego-Noise-Aware Spatial Filtering for Reliable UAV Audition in Extreme Low-SNR Conditions
会议身份：
conference:interspeech:2026:conference-paper-id:jeon26b_interspeech
来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。
标签：#波束成形 #麦克风阵列 #语音 #声源定位 #语音增强
评分：6.4/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Chanhong Jeon：机构信息未能从会议 PDF 纯文本可靠映射
- Jeongmin Lee：机构信息未能从会议 PDF 纯文本可靠映射
- Hyungjoo Seo：机构信息未能从会议 PDF 纯文本可靠映射
- Kyuhong Shim：机构信息未能从会议 PDF 纯文本可靠映射
- Taewook Kang：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
针对无人机自噪声主导下的极低信噪比语音拾取，输入为4元圆形阵列混合信号，输出为单通道增强语音，难点在于强时间相关噪声同时污染方向估计、噪声协方差矩阵 Noise Covariance Matrix / NCM估计和波束形成后残留抑制。方法链分三步推进：先用相位一致性偏离筛选语音主导时频单元并投票得到全局方向，再以该方向同时参数化分频混合掩蔽以估计NCM并驱动最小方差无失真响应 Minimum Variance Distortionless Response / MVDR波束形成，最后用零陷投影估计残留噪声并经方差调制做后滤波。与单增益掩蔽或固定后滤波不同，该框架把方向作为跨阶段共享空间基准，低频用邻近增益保语音而高频用指向性增益抗主瓣展宽。在TIMIT合成测试集条件下，所提方法在-25dB消声场景的方向估计准确率为98.12%，高于混响场景的准确率94.79%。结论限于悬停状态与已知阵型仿真验证，非悬停运动、多机型噪声与真实混响飞行尚未验证。计算成本仅为0.021 GMAC/s，无需预训练模型。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。 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，本文要解决哪一个卡点？
本文的输入是无人机上圆形麦克风阵列录到的多通道含噪语音，目标是从强自噪声中恢复出单通道目标语音。输出是经过波束形成和后滤波增强后的时域波形。必须保留的信息包括目标到达方向、每个频率的噪声协方差结构，以及波束形成后残留噪声的参考估计。
对于刚进入语音与音频领域的研究生，白话理解是：无人机螺旋桨就在麦克风头顶上转，录到的声音里噪声比人声大几十甚至几百倍。到达方向估计就是判断人声从哪个角度传来，英文是方向估计。噪声协方差矩阵估计就是估计噪声在不同麦克风之间如何相关，英文是噪声协方差矩阵。波束形成就是按方向把多通道信号加权合并，保留目标方向、压低其他方向。后滤波就是在波束形成之后再乘一个时频增益，把漏过去的残留噪声再压一遍。
本文要解决的卡点不是一般噪声，而是悬停无人机自噪声的 3 个结构特性。原文指出该噪声具有强时间相关性、随频率变化的噪声构成和幅度平稳性，三者分别破坏方向估计、污染噪声协方差估计、并在波束形成后留下残留噪声。也就是说，方向选不准，协方差算不准，滤完还剩噪声，这 3 步是串联依赖的。后续所有设计都围绕这 3 个特性展开，学习时要先记住这种依赖关系，再看每一步的对策。
同输入同目标的已有路线有哪些，本文站在哪里？
在相同输入和相同目标下，已有路线包括延迟求和波束形成、最小方差无失真响应波束形成、超指向波束形成和最小均方误差滤波波束形成。原文提到在无人机听觉这类困难场景中，自适应波束形成被广泛采用以提升语音质量。另有针对无人机的嵌入式多通道采集、基于多通道维纳滤波和高斯混合后滤波、电机相关传递函数估计等工作，以及单通道深度学习增强。
这些路线可以按监督和运行阶段区分。传统自适应波束形成不需要预训练模型，靠在线估计的协方差计算权重；深度学习路线需要离线训练模型，运行时做推理。原文明确提出本框架不需要预训练模型，只用信号处理完成方向估计、协方差估计和残留抑制，并报告计算量为 0.021 吉每秒乘加操作，低于类似任务深度学习基线所需的数吉每秒乘加操作。
本文的位置是信号处理路线中的结构利用型。它不把方向估计只当作转向参数，而是把方向作为贯穿转向矢量、每格贴近度增益和零陷方向的共享空间基准。与常规流水线相比，区别在于方向估计、混合掩蔽和后滤波都复用同一套可信时频格选择结构。理解这一点有助于复述：不是 3 个独立模块的简单拼接，而是用同一个方向参考把 3 步串起来。
为什么极低信噪比下常规做法会连环失效？
常规做法的连环失效可以沿一个样本走一遍。假设目标在 0 度方向，输入信噪比为负 25 分贝，时频谱上绝大多数格子都被无人机噪声占据。第一步若对所有时频格不加选择地做定位，强时间相关的自噪声会给出大量看似稳定但方向错误或模糊的投票，导致全局方向偏离真值。
第二步若用错误的全局方向或单一空间增益估计噪声协方差，语音格和噪声格会被混在一起。原文指出宽带自噪声使单一空间增益在全频段不够用：在高频自噪声占优使贴近度增益不可靠，在低频方向性增益主瓣过宽失去选择性。协方差一旦被污染，自适应波束形成器的权重就会把噪声当成要保留的成分或把语音当成要抑制的成分。
第 3 步即使波束形成器满足无失真约束，平稳的残留自噪声仍会漏过去。这是因为无失真约束只保证目标方向不被压掉，并不保证其他方向的平稳噪声被完全消除。举例来说，这就像先指错了方向，再按错方向统计噪声，最后即使正确执行了滤波公式，漏网的平稳噪声依然存在。因此本文先解决可信方向选择，再解决分频段协方差估计，最后解决残留抑制，这个顺序是学习依赖，不能颠倒。
系统全景：一个样本如何从多通道输入走到单通道输出？
沿一个样本走完主路径有助于建立整体地图。多通道时域信号先经过短时傅里叶变换变为时频谱。时频谱一路进入方向估计模块，计算麦克风对之间的相位延迟，再做时间平均与聚合得到相位一致性度量，选出可信时频格并投票得到全局到达方向。另一路时频谱与该全局方向一起进入最小方差无失真响应波束形成模块，用混合掩蔽估计噪声协方差矩阵，再计算波束形成权重得到中间单通道估计。
同时，同一全局方向和同一选格结构被用来确定零陷方向，得到零空间投影的残留噪声估计。最后后滤波模块结合中间估计与残留估计计算时频增益，相乘得到最终时频估计，再经逆短时傅里叶变换回到时域。
下图是原文给出的总体系统框图，阅读时先看主路径再看方向复用关系。
看图路径： 1. 先从左侧输入波形沿短时傅里叶变换箭头向右跟踪到方位估计方框；2. 再看方位估计输出的全局方向同时指向波束形成和后滤波的位置；3. 接着对比波束形成输出与零陷支路在后滤波处如何汇合为最终增益；4. 最后确认逆变换输出单通道波形的主路径是否闭合
论文图 1。原论文 Figure 1：“Overall system diagram of the proposed method”。
从图中可见的关键点是方向的复用。全局方向箭头不仅指向波束形成中的转向矢量，还影响每格掩蔽权重和零陷方向。后滤波框内分为主增益计算和增益调制两部分，分别对应平稳残留压制和语音保护。这种安排把方向估计从一次性参数变成了贯穿全系统的共享参考，也是后文理解混合掩蔽与零陷后滤波的前提。
第一步如何选出可信时频格并投票得到方向？
第一步的操作对象是每个频率和时间帧上的时频格。先对每对麦克风计算归一化相位延迟，它保留相位差而把幅度归一为 1。然后在相邻时间帧上平均，并对所有麦克风对聚合，得到时间相似性度量。白话说，就是看这个格子的相位关系在短时间内稳不稳定。白噪声时间不相关所以值低，无人机噪声和语音因时间结构强所以值高。
接着对整段频谱做时间平均得到每个频率的参考值。由于悬停自噪声时间相关性强，噪声主导频率的参考值偏高；当语音嵌入这些频率时，局部时间相关性被打破，当前格的值会偏离参考值。于是计算每个格的偏离绝对值，并用基于中值绝对偏差的动态门限做选择。门限形式为中值加系数乘中值绝对偏差，原文取系数为 2.5，对应约百分之 1 的虚警工作点。满足偏离大于门限的格子被保留用于方向估计。
时间相位一致性 × 中值绝对偏差阈值： 时间相位一致性负责度量每个时频格在相邻时间帧上归一化相位差的稳定性，中值绝对偏差阈值负责根据全部时频格偏离程度的分布自适应定出选择门限。搭配理由是悬停自噪声时间相关性强而语音出现会打破局部相关性，需要一个不被极端值带偏的稳健门限；组合意义是只保留偏离全时长平均值足够大的时频格参与方位投票，从而压低自噪声主导格的虚警，同时保留语音破坏相关结构的格。
方向投票本身采用空间似然。对每个保留格计算瞬时方向，即在所有候选角度中使加权相位补偿求和实部最大的角度，再对所有保留格取统计众数作为全局方向。这与对所有格不加区分聚合的传统方法不同，目的是排除自噪声主导格的系统性干扰。需要记住的是，这里选格依据的是时间相位稳定性被打破的程度，而不是能量大小，因此在极低信噪比下仍可能找到语音破坏相关结构的痕迹。
第二步如何分频估计噪声协方差并形成波束？
第二步的目标是得到干净的噪声协方差矩阵，再代入最小方差无失真响应公式求权重。做法是用掩蔽值区分语音与噪声，用 1 减掩蔽平方加权混合信号的外积来估计噪声协方差。掩蔽接近 1 表示语音主导，该格对噪声协方差贡献小；掩蔽接近 0 表示噪声主导，贡献大。信号协方差与噪声协方差满足混合协方差等于二者之和的关系，因此掩蔽策略直接决定协方差质量。
掩蔽函数是分频段的。贴近度增益假设方向估计误差服从高斯分布，按瞬时方向与全局方向距离的平方指数衰减给权重；方向性增益用最大指向性因子波束形成器和延迟求和波束形成器两个固定波束形成器的输出关系计算语音存在概率，并截断到 0 到 1 之间。交叉频率是两种增益半功率波束宽度可比的相等点，低于该频率用贴近度增益，高于该频率用方向性增益。原文把候选限制在语音可懂度加权重要的频段，最终在本装置下得到交叉频率为 3 千赫。
到达方向估计 × 噪声协方差矩阵估计： 到达方向估计负责给出目标从哪个角度到达，为转向矢量提供空间基准；噪声协方差矩阵估计负责描述每个频率上噪声在多通道之间的相关结构，为自适应波束形成提供抑制依据。二者搭配的理由是无人机自噪声同时污染方向判断和协方差统计，若方向错误则协方差中的语音与噪声划分也会错位；该组合的意义是先用可信时频格得到稳定方向，再把该方向同时用于掩蔽权重和转向矢量，使后续滤波器知道哪里要保护、哪里要抑制。
贴近度增益 × 方向性增益： 贴近度增益负责在低频段按每格瞬时方位与全局方位的距离给权重，方向性增益负责在高频段用两个固定波束形成器的输出功率比判断语音存在概率。搭配理由是原文指出贴近度增益不随频率变化而方向性增益主瓣随频率变窄，低频时方向性增益主瓣过宽失去选择性，高频时无人机噪声占优使逐格方位不可靠；组合意义是以交叉频率为界分频使用，在各自可靠的频段内估计掩蔽，从而得到更干净的噪声协方差矩阵。
下图展示了两种增益随频率变化的选择性差异，是理解分频理由的最直接证据。
看图路径： 1. 先确认横轴为角度、纵轴为波束图幅度以及三块面板对应的频率；2. 再对比红色实线与蓝色虚线在零度附近主瓣宽度随频率的变化；3. 最后观察两侧旁瓣和边缘角度处两条曲线的差异
论文图 2。原论文 Figure 2：“Beampatterns of directional (red solid line) and close- ness (blue dashed line) gain at (a) 1kHz, (b) 3kHz, and (c) 5kHz. σ is set to 10◦.”。
从像素可见，左面板 1 千赫时红色实线主瓣明显宽于蓝色虚线，中面板 3 千赫时两者主瓣宽度接近，右面板 5 千赫时红色实线主瓣变窄且两侧出现旁瓣，而蓝色虚线保持相近形状。这支持原文的文字判断：贴近度增益随频率基本不变，方向性增益主瓣随频率变窄。因此低频用贴近度增益保留集中在低频的语音可懂度，高频切换到方向性增益以弥补逐格方向不可靠的问题。得到噪声协方差后，波束形成权重按对角加载后的逆矩阵与转向矢量计算，分母保证目标方向增益为 1。
第三步如何用零陷参考压住残留平稳噪声？
第 3 步处理波束形成后剩下的残留泄漏。后滤波的输入包括波束形成输出和零空间投影得到的残留噪声估计。零陷方向取为在信号主导时频格上语音似然最小的方向，复用第一步的选格结构，只是把求最大改为求最小，再取众数。求解带两个线性约束的最小范数问题得到零陷向量：对目标方向响应为 0，对零陷方向响应为 1。这样零陷支路主要漏出残留噪声，而尽量少漏语音。
增益计算在幅度域进行。先分别估计波束输出功率与零陷输出功率在时间窗内的平均，平方根功率比给出主维纳增益；再对相邻时频格平滑以减少增益抖动。接着估计残留语音主导成分与波束输出成分的方差，方差取绝对值在时间窗内的样本方差，差值截断于 0 得到调制分子。调制系数为二者之比：噪声主导时分子小，系数趋于 0，压制交给平滑主增益。
语音出现时分子接近分母，系数趋于 1，整体增益回到接近 1 以保护语音。最终后滤波增益为 1 减系数乘平滑主增益再加系数。
最小方差无失真响应波束形成 × 零陷参考后滤波： 最小方差无失真响应波束形成负责在保持目标方向无失真的约束下最小化输出噪声功率，零陷参考后滤波负责用投影到零空间的残留噪声估计再对波束形成输出做时频增益修正。搭配理由是无失真约束会保留一部分平稳残留泄漏，仅靠波束形成无法完全去除；组合意义是前者先得到语音失真较小的中间估计，后者再根据残留噪声与波束输出的方差关系决定压制强度，噪声主导时压制、语音出现时回到接近 1 的增益以保护语音。
复述时要注意，方差在这里不是衡量不确定性，而是区分平稳自噪声与高变化语音的依据。高方差成分被当作语音主导推向 1 增益，低方差平稳成分被衰减。原文明确指出该设计针对平稳残留泄漏，若目标泄漏进零陷支路仍可能有语音失真，平滑与调制正是为缓解这一点。
本研究有没有训练阶段，实际计算过程是什么？
本研究没有神经网络训练阶段，也就没有梯度路径、损失函数、优化器更新或参数冻结与重置问题。原文明确写道该框架不需要预训练模型，所有参数都是按信号处理公式在线计算或事先固定的代表值。这意味着不能把无训练理解为确定性求解：短时傅里叶变换、协方差滑动平均、众数投票和平滑平均都依赖输入数据，输出随输入变化，只是没有可学习的权重。
实际计算过程是逐帧在线进行的。对每个频率和时间帧，用长度为时间窗的滑动平均估计协方差与功率；用固定系数 2.5 计算选择门限；用固定标准差 10 度和对角加载因子 0.05 计算增益与波束权重；用固定交叉频率 3 千赫切换掩蔽。
原文把这些值描述为跨所有信噪比和声学条件的固定代表值，未报告针对不同条件的调参搜索，也未报告梯度或监督来源。复现时应把它们当作固定超参数直接设置，而不是当作可训练变量。
计算量按解析计数乘加操作得到 0.021 吉每秒乘加操作。原文说明这是对所有阶段解析计数的结果，用于与深度学习基线所需的数吉每秒乘加操作对比。缺项是原文未给出硬件实测延迟、帧率或内存占用，因此只能报告解析计算量，不能推断实际实时性。若要补验证，需要在相同阵列和采样设置下实测每帧耗时与内存。
数据、阵列、声学条件与评价指标是如何设定的？
实验数据由实录无人机自噪声与仿真多通道语音混合而成。无人机为 Syma Z4W，用 4 个 Boya BY-M1 麦克风组成半径 0.1 米的圆阵，位于无人机下方 15 厘米处。语音选自 TIMIT 语料 160 条样本，声源距阵列中心 1.0 米，用 Pyroomacoustics 仿真无混响和混响时间为 0.3 秒两种条件。目标方向取负 45 度、0 度和 45 度，0 度定义为无人机前向。输入信噪比取负 25、负 20、负 15、负 10、负 5 分贝，每个信噪比生成 480 个样本。
信号处理配置为采样率 16 千赫，短时傅里叶变换窗长 512 点，重叠率百分之 75，加汉宁窗。方向离散化间隔为 5 度，方向正确判为估计误差在正负 5 度以内。交叉频率、选择系数、标准差和对角加载因子的取值见下表，表中数字均有原文连续原句支撑。
下表整理方向评价相关的条件与报告值，比较问题是极低信噪比下方向是否仍然可用，公平条件是相同方向集合与相同信噪比划分，指标方向是准确率越高越好、平均绝对误差越小越好。
| 条件 | 指标 | 无混响本方法 | 混响本方法 | 判定标准 |
|---|---|---|---|---|
| 负 25 分贝输入 | 准确率 | 98.12% | 94.79% | 正负 5 度算正确 |
| 负 25 分贝输入 | 平均绝对误差 | 1.219 度 | 3.052 度 | 越小越好 |
| 全部输入信噪比 | 信噪比集合 | 负 25 分贝 | 负 5 分贝 | 每档 480 样本 |
| 全部目标方向 | 方向集合 | 负 45 度 | 45 度 | 含 0 度前向 |
表后解释如下。表中负 25 分贝行的 4 个数字直接来自原文对提议方法在该信噪比下的报告，显示即使在最低信噪比下方向估计仍保持高准确率和个位数以下的平均误差。代价是混响条件下准确率和误差均差于无混响，说明混响仍带来损失。未胜出项的含义在这里是方向集合只覆盖 3 个目标方向且离散间隔为 5 度，未评测连续任意角度与非悬停运动状态，这是后文限制节需要呼应的边界。
下表整理可重放的固定配置，比较问题是复现时哪些参数可以直接照抄，公平条件是跨信噪比与声学条件固定取值，指标方向是按原文设置即可运行。
| 配置类别 | 参数 | 取值 1 | 取值 2 | 取值 3 |
|---|---|---|---|---|
| 变换配置 | 采样与分帧 | 16 千赫 | 512 点窗长 | 75% 重叠 |
| 选择配置 | 门限系数 | 2.5 | 1% 虚警点 | 10 度标准差 |
| 波束配置 | 频率与加载 | 3 千赫交叉 | 0.05 加载 | 1.0 米声源距 |
表后解释如下。该表把分散在正文中的固定值集中呈现，便于先做出可运行基线。其中交叉频率 3 千赫是在计入百分之 80.7 语音可懂度加权能量的频段内按空间尺度匹配准则得到的，标准差 10 度和加载因子 0.05 是跨条件的代表值。代价是原文未报告这些值在其他阵列半径或混响时间下的敏感性，复现到新硬件时需要重新核对交叉频率，不能直接沿用。
主结果：在相同条件下与可运行基线相比提升在哪里？
评价指标包括信号失真比、语音质量感知评价、可懂度扩展指标和深度噪声抑制平均意见分的三部分。原文以信号失真比、语音质量和可懂度为主指标，以深度噪声抑制平均意见分的信号、背景和总体为辅助指标。比较对象均为实际可运行策略：多通道功率最小化无失真响应、带方向性增益的最小方差无失真响应、带贴近度增益的最小方差无失真响应、面向无人机的多通道最小均方误差波束形成器，以及去掉后滤波的提议方法变体。
下图是方向估计准确率与平均绝对误差随输入信噪比变化的曲线，是主结果中方向部分的核心证据。
看图路径： 1. 先看上方两块准确率面板中红色提议方法曲线在负 25 分贝的位置；2. 再看下方两块平均绝对误差面板纵轴为对数刻度时的下降趋势；3. 接着左右对比无混响与混响条件下各基线曲线的分开程度；4. 最后沿横轴从负 25 分贝向负 5 分贝检查各方法是否收敛
论文图 3。原论文 Figure 3：“DoA estimation accuracy and MAE under anechoic (a,c) and reverberant (b,d) conditions. The x-axis represents the input SNR.”。
从像素可见，上方准确率面板中红色提议方法曲线在负 25 分贝已接近顶部，而蓝色音乐算法虚线在负 25 至负 20 分贝接近底部；下方误差面板纵轴为对数刻度，红色曲线在负 25 分贝明显低于其他曲线。左右对比显示混响下面板各曲线间距更大，说明混响增加了区分难度，但提议方法仍保持最高准确率与最低误差。原文报告在负 25 分贝无混响准确率为 98.12%、平均误差 1.219 度，混响准确率为 94.79%、平均误差 3.052 度。不能把末端负 5 分贝处多方法收敛推广为全程相当，关键差异集中在低信噪比端。
语音增强主结果在原文大表中按无混响与混响分别列出。原文总结提议方法在客观指标上持续优于已有方法，在负 25 分贝处比最强基线提升信号失真比在无混响达 7.7 分贝、在混响达 7.5 分贝。完整表格数字庞大，正文此处不再逐格复述，但需强调比较条件一致：相同语音与噪声混合、相同方向与信噪比划分、相同指标计算。限制是原文大表未给出置信区间或统计显著性检验，因此只能说在该测试集上的报告值更高，支持方法有效，尚不能断言在所有无人机与房间条件下的统计显著性。
去掉哪一步会损失什么，后滤波的代价是什么？
消融按去掉后滤波与更换增益类型组织。以多通道功率最小化无失真响应为基线，比较带方向性增益与带贴近度增益的最小方差无失真响应，可以分离噪声协方差估计方式的影响；再比较去掉后滤波的提议方法，可以分离混合掩蔽的增益；最后比较完整系统，可以量化后滤波的增量。
原文报告的趋势是：相对基线，最小方差无失真响应在可懂度与信号分上更好，说明语音保持改善；贴近度增益优于方向性增益，因为语音可懂度集中在低频而贴近度增益在低频更能保留语音；去掉后滤波的提议方法通过在交叉频率以上切换到方向性增益进一步提升，因为高频逐格方向不可靠而方向性增益以变窄主瓣补偿。完整系统结合最小均方误差思路的残留抑制，在不降低可懂度的前提下提升语音质量与背景分，最终带来信号失真比与总体分的持续增益。
后滤波的具体代价是原文明确提示的语音失真风险。若目标泄漏进零陷支路，主增益和平滑仍可能损伤语音，调制系数正是为此回到接近 1 以保护语音。未胜出或未评测的边界包括：消融未单独报告只用方向性增益加后滤波或只用贴近度增益加后滤波的组合，也未报告不同交叉频率与标准差的灵敏度曲线。因此复述时只能说原文验证了当前组合的有效性，不能说该组合是全局最优或拿掉某步必然崩溃。
哪些结论尚未验证，哪些条件不能推广？
首先是运动状态边界。原文结论部分明确指出非悬停状态的空间滤波仍是未来工作。这意味着强时间相关、频率构成与幅度平稳这 3 个特性是按悬停观测总结的，一旦无人机机动、转速变化或阵列相对气流变化，时间相关性与平稳性假设可能不再成立，不能把悬停下的方向准确率直接推广到飞行中。
其次是声学与硬件边界。实验只覆盖无混响与混响时间为 0.3 秒、阵列半径 0.1 米、声源距离 1.0 米、3 个离散方向的仿真语音加实录噪声混合。真实房间混响时间、户外风噪、不同机型与麦克风位置、远场与近场变化均未评测。原文未提供代码、模型或数据的公开链接，本次收到的资源状态也没有绑定可验证的开源声明，因此不能声称系统当前可用或已公开。
最后是统计与成本边界。原文未报告多次随机划分的方差、显著性检验、误判率分解，也未实测延迟与内存。0.021 吉每秒乘加操作是解析计数，不是实测帧率或端到端延迟。总体趋势成立不等于每组方向、每段语音都成立，阅读大表时应注意个别信噪比或个别指标上基线可能更接近，完整判断需要回到原文表格逐条件核对。
复现先做什么，需要保留哪些超参数与信息条件？
复现的第一步是重建数据流水线。录制或获取悬停自噪声，按原文阵列几何摆放 4 个麦克风；从 TIMIT 选语音，用相同房间仿真工具生成 3 个方向的多通道语音；按 5 个输入信噪比混合，每个信噪比保持相同样本数。分帧必须采用 16 千赫采样、512 点窗长、百分之 75 重叠、汉宁窗，否则时频格统计与原文不可比。
第二步是实现方向选择。按麦克风对计算归一化相位延迟，做时间窗平均与全对聚合得到一致性度量，再计算全时长平均与偏离，用系数 2.5 的中值绝对偏差门限选格。对保留格计算空间似然瞬时方向并取众数，方向网格间隔 5 度，正确判据为正负 5 度以内。建议先在负 25 分贝无混响条件下检查是否接近 98.12% 准确率与 1.219 度误差，再测混响条件。
第 3 步是实现混合掩蔽与后滤波。固定交叉频率 3 千赫、低频用贴近度增益、高频用方向性增益，标准差取 10 度；噪声协方差用 1 减掩蔽平方加权估计，对角加载取 0.05；零陷方向在同一选格上取最小语音似然方向并求解双约束最小范数问题；主增益做时频平滑，调制系数按方差比计算。
保留的信息条件包括目标方向先验只用于评价而不参与估计、混响时间与信噪比划分必须与原文一致。由于无公开代码，所有公式需按原文符号逐一实现，遇到原文未给出的平滑窗尺寸与时间窗长度时应明确记为缺项并做受控搜索，而不是默认某个常用值。
何时值得尝试这种方法，如何一句话记住它？
当任务满足 3 个条件时值得尝试：麦克风与噪声源相对固定且噪声时间相关性强，目标方向在段内基本不变，以及需要无预训练、低乘加操作的在线增强。这正是悬停无人机近距离喊话、定点监听等场景的特征。若噪声快速非平稳、目标与无人机都在运动，或已有大量配对数据可训练大模型，则本文的固定阈值与悬停假设可能不再是最省力的选择。
一句话记住它：先用相位稳定被打破的地方投票定方向，再按频率分段算噪声，最后用零陷支路的平稳残留决定后滤波压多少。学习依赖是方向先行、协方差居中、残留收尾；复述方法时沿输入到表示到组件到目标再到输出的顺序讲，就能把 3 个模块的因果讲清楚。待补验证包括非悬停飞行、更多混响与机型、统计显著性与实测延迟，补上这些才能从测试集有效走向可部署可靠。
⚖️ 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