双耳不该固定滤波：BiEAR 用耳侧反馈逐帧调节频率选择性

英文题目：BiEAR: A Human Auditory-Inspired Adaptive Binaural Front-end for Multi-Speaker Localisation and Distance Estimation

会议身份：conference:interspeech:2026:conference-paper-id:meng26c_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。

会议来源：官方记录 · 官方 PDF

标签：#自适应滤波 #鲁棒性 #空间音频信号 #语音 #声源定位

评分：6.9/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 1.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.6/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Hanyu Meng：机构信息未能从会议 PDF 纯文本可靠映射
• Eliathamby Ambikairajah：机构信息未能从会议 PDF 纯文本可靠映射
• Vidhyasaharan Sethu：机构信息未能从会议 PDF 纯文本可靠映射
• Qiquan Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Haizhou Li：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文处理双耳多说话人定位与距离估计，输入为1秒双耳波形，需在混响、说话人未见与声源重叠下同时输出扇区存在性、方位角与距离类别。方法分三步：先对双耳信号分帧短时傅里叶变换并用K通道Gabor滤波器组聚合为子带表示；神经反馈控制器依据瞬时与平滑子带声压级逐帧输出调制信号，经绝对或相对策略改变各子带Q值从而重塑带宽与增益。该自适应表示进入第三步，从左右耳输出提取耳间强度差、相位差与互相关并送入扇区化多任务后端联合预测检测、方位与距离。与固定双耳前端的关键差异在于推理时逐帧时频自适应且左右耳可非对称调谐，模拟了外毛细胞增益调节的功能思想，因而能强调信息子带并稳定适应混响变化。在Lecture Hall房间评测下，BiEAR+Dual Controller+Rel.经环境迁移后的声音检测准确率为93.22%，高于未迁移的声音检测准确率74.92%。结论边界在于评测仍限于TIMIT合成混合与2个实测房间，移动声源与强噪声未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 代码相关资源：https://github.com/Hanyu-Meng/BiEAR — 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，输出是什么，哪些信息必须先对齐？

本文的输入是 1 秒长的双耳波形片段，记为左右两路采样序列。目标是在同一片段内同时回答 3 个问题：每个方位扇区有没有说话人，若有则方位角是多少，距离属于哪一档。初学者容易把这理解成单说话人到达角估计，但本文是多说话人、360 度、还要分距离档，因此需要同时处理检出、回归与分类。输出按 8 个 45 度扇区组织，每个扇区有一个独立的检测加定位加测距分支，这意味着评价要按扇区平均，而不是只报一个全局角度。

必须先对齐的信息包括数据来源与房间条件。消声训练集有 72000 个样本，验证与测试各 9000 个样本，且一说话人、两说话人与三说话人混合比例相等；真实房间另用会议室与演讲厅的双耳房间脉冲响应生成各 9000 个测试样本，说话人均与训练不重叠。距离标签在消声训练时取 0.5 米、1 米、2 米、3 米四档，混响测试中超出 3 米的距离归为另一类，3 米以内按最近训练距离折算正确性。若不先固定这些划分与标签规则，后面比较检测准确率、方位平均绝对误差与距离分类准确率就没有共同基准。

从人耳示意看，前馈主路是耳廓整形、耳蜗分解、耳蜗核中继，再由内侧上橄榄体提取双耳时间差、外侧上橄榄体提取双耳强度差，最后在下丘等高级中枢整合到听皮层并指向声源位置。关键在于这条前馈通路受到内侧橄榄耳蜗束的调制，既有来自耳蜗核的快速反射环，也有来自高级中枢的自上而下反馈。论文明确只做前者这类功能抽象，不引入需要任务先验知识的后者。理解这一点才能明白 BiEAR 为何用声压级驱动控制器，而不是用后端识别结果回传。

下图是人耳双耳通路与调制路径的总览，读时先分清实线前馈与虚线反馈，再看调制落点。

看图路径： 1. 先从左右耳波形经耳廓与耳蜗到耳蜗核的主前馈箭头看起；2. 再找到内侧上橄榄体与外侧上橄榄体分别标出的时间差与强度差支路；3. 然后观察标为 a 的快反射环与标为 b 的自上而下虚线反馈回到耳蜗与内侧橄榄耳蜗束的位置；4. 最后看到听皮层指向说话人位置示意的输出端，确认本文只建模快反射类反馈

论文图 1。原论文 Figure 1：“Overview of the human binaural auditory system with MSO/LSO-based ITD/ILD extraction and adaptive MOC effer- ent modulation.”。

该图显示左右耳分别经耳蜗与耳蜗核进入不同的脑干核团，时间差与强度差分开提取后再汇入下丘与听皮层，而标为 a 的快速环与标为 b 的高层反馈都指向内侧橄榄耳蜗束并回写耳蜗。这解释了 BiEAR 的设计取舍：保留双耳分路与分频线索提取，用逐帧控制器模拟耳蜗端的频率选择性调节，但不建模需要语义先验的皮层下行控制。因此后文所有自适应都应理解为由当前帧子带能量驱动的反射式调节，而不是由识别结果指导的注意力回路。

同输入同目标的既有路线为何仍不够？

在相同双耳输入与定位目标下，既有深度学习路线主要集成多类双耳线索，包括听觉尺度谱、耳间相位差与强度差、广义互相关以及其他通道间相对特征。代表性基线是 DeepEar 与 AuralNet，二者与 BiEAR 共享类似的多任务后端，便于只更换前端做公平比较。AuralNet 是当时 3 维双耳定位的先进模型，DeepEar 是常用的听觉启发基线。论文把后端统一后比较前端，控制了网络容量与任务头带来的混杂。

另一条相关路线是单耳自适应前端，用神经反馈控制器模拟耳蜗处理，已在多种下游任务中显示鲁棒性。但这些工作只做单耳，无法反映双耳听觉中左右耳不对称、头影效应与双耳线索互补的功能。BiEAR 的动机正在于此：把单耳自适应推广到双耳，并允许左右通路采用不同滤波特性。若只看单耳增强或固定双耳特征，都无法回答混响与多说话人下左右耳应如何分工。

相关工作的对照条件值得学习。所有模型用同一联合损失训练，优化器与早停、学习率、权重衰减与梯度裁剪保持一致，输入分帧与滤波器组规模一致，前端以外结构统一。这意味着性能差异更可能来自前端是否自适应、控制器是单是双、Q 调节是加性还是乘性，而不是训练技巧不同。复述时不要把类别差异当成同条件胜负，而要说明比较固定了哪些变量。

要解决的非平稳与未见环境问题是什么？

论文要解决的问题可以表述为：在声场景随时间变化、说话人与房间在测试时未见过的情况下，如何让双耳前端在推理期持续调整频率选择性。固定推理图的前端在训练房间与训练说话人上可能很好，但遇到混响、头部相关脉冲响应变化与多人重叠时，固定带宽与固定增益会保留过多不可靠频带。举例说明：若右侧说话人靠近右耳，右耳中高频的强度差更可靠，左耳低频的相位线索仍有价值，理想前端应在不同时刻强调不同耳朵与频段，这不是训练期学一组静态滤波器能完成的。

形式上，每个 1 秒片段先分帧做短时傅里叶变换，再用分布在等效矩形带宽尺度上的可调 Gabor 滤波器分组，得到保留幅度与相位的子带表示。控制器根据瞬时子带声压级与指数滑动平均后的平滑能量，输出每帧每子带的调制信号，再改写该帧滤波器 Q 值。评价同时看检测准确率越高越好、方位平均绝对误差越低越好、距离分类准确率越高越好，并在消声已见说话人、消声未见说话人、低混响会议室与高混响演讲厅之间比较，以检验对未见说话人与未见房间的鲁棒性。

这里的未验证推测需要单独标记。论文认为强调信息频带能带来鲁棒性，可视化支持了这一解释，但可视化本身不证明因果；距离估计在部分配置下并未最优，说明自适应对角度与距离的作用并不相同，不能把方位的改善直接推广为距离的改善。

BiEAR 让一个样本走完哪条处理链？

沿一个双耳样本走一遍：左右波形先做 20 毫秒窗、10 毫秒跳的加窗短时傅里叶变换，得到复时频表示；再经左右各自的听觉滤波器组分组为 100 个子带，保留复数以便后续提取幅度比与相角差；控制器并行读取当前帧子带能量及其平滑轨迹，输出调制信号并改写当前帧的 Q 值；随后由子带表示计算双耳强度差图与双耳相位差图，另从原始波形直接计算正负 3 毫秒时延范围内的双耳互相关作为宽带相似性与电平粗线索；强度差图与相位差图分别经两层门控循环单元压缩为 100 维向量，与互相关 100 维向量拼接为 300 维，再经瓶颈全连接层送入 8 个扇区网络，每个扇区网络输出有无源、方位角与距离类别。

下图是带反馈控制的双耳模型总览，读时先跟主信号路径，再看反馈回路与后端分支。

看图路径： 1. 先沿左右两路的短时傅里叶变换到听觉滤波器组再到幅度与相位分支的主路径观察；2. 再看每个滤波器组上方与下方的控制器如何用子带能量回写 Q 调制控制；3. 然后找到双耳互相关支路与双耳水平差和强度差编码器汇入瓶颈层的位置；4. 最后看瓶颈层到八个扇区网络以及右侧控制器内部的门控循环单元到双曲正切结构

论文图 2。原论文 Figure 2：“The overview of the proposed binaural model with a feedback-controlled adaptive front-end.”。

该图左侧可见左右两路短时傅里叶变换后进入听觉滤波器组，滤波器组上方与下方各有一个控制器回路，幅度与相位分支随后进入求差模块并形成强度差与相位差图；底部另有一条直达的互相关支路，3 路特征经编码器与瓶颈稠密层进入 8 个扇区网络；右侧放大的控制器显示门控循环单元、多次全连接与双曲正切输出调制信号，再进入 Q 调制控制并受上下界与变化范围参数约束。这张图把反射式自适应的落点讲清楚了：调的是前端滤波器的 Q，而不是后端的分类权重。

这种安排的理由是原文明确的：固定前端限制了对非平稳场景的适应，而人耳的传出反馈是关键缺失功能。通过把调节放在推理期的每 1 帧，模型可以在不改变网络权重的情况下响应房间混响与说话人位置变化。需要保留的关键超参数是滤波器组取 100 个频带，控制器输入平滑系数取 0.8，Q 值裁剪在 0.05 到 30 之间，这些是复现时必须一致的运行条件。

滤波器组与控制器各自做什么，为何要分耳？

滤波器组负责把短时傅里叶系数按子带分组。每个 Gabor 滤波器有中心频率与自适应带宽，Q 值定义为中心频率除以带宽。固定中心频率时，提高 Q 会收窄带宽并提高增益，使该子带响应更具选择性。论文把这种操作类比为频率相关的听觉注意，但类比之后仍要回到真实信号：变的是该帧该子带的带宽与增益，间接改变强度差与相位差图的信噪分布。

内侧橄榄耳蜗束反馈 × 神经控制器： 内侧橄榄耳蜗束反馈负责说明生物动机：经外毛细胞动态调节耳蜗增益和频率选择性，区分快反射环路与高层自上而下反馈；神经控制器负责工程实现：以 GRU 加全连接层根据子带声压级输出有界调制信号；二者搭配的原因是只抄固定滤波器组无法随声场景变化，而逐帧 Q 值调节把反馈式频率注意转化为可训练、可分耳执行的计算，新增作用是在推理期持续改写表示而非只在训练期学一组权重。

控制器负责把能量观测转为 Q 调整。每帧输入拼接瞬时子带声压级与指数滑动平均后的平滑能量，网络结构是隐藏 128 的门控循环单元加 3 层全连接，中间用平滑线性整流激活，末层用双曲正切输出界于负 1 到 1 的调制信号。基线 Q0 来自标准等效矩形带宽间隔滤波器组，频率相关变化范围随中心频率的等效矩形带宽率归一化值从低频到高频增大。绝对控制用加性偏移，相对控制用乘性缩放，二者都经上下界裁剪保证数值稳定。

Q 值 × 频率选择性： Q 值负责定量旋钮：定义为中心频率除以带宽，固定中心频率时增大 Q 即收窄带宽并提高增益；频率选择性负责效果描述：某个子带对邻近频率的区分能力；二者搭配的原因是直接调带宽难以跨频率统一量纲，而调 Q 可以与等效矩形带宽尺度下的基线 Q0 和频率相关变化范围结合，新增作用是让低频与高频获得不同幅度的调节空间，形成随频率变化的注意力式滤波。

分耳的理由在于双耳线索天然不对称。单控制器把左右能量拼接后共享同一调节，无法让靠近声源的耳朵变尖锐、远离的耳朵保留相位样本；双控制器为左右耳各设一个反馈环，允许随时间变化的非对称滤波。消融结果支持这一设计：双控制器明显优于单控制器与无控制器，而单控制器相对无控制器的增益很小。因此复述方法时必须强调双耳不是把左右通道简单拼接，而是两条可独立调 Q 的通路。

双耳水平差 × 双耳强度差： 双耳水平差的前身是双耳时间差与相位差，负责低频为主的时间与相位线索，由左右子带复表示的共轭乘积相角得到；双耳强度差负责由头部遮蔽形成的高频为主的幅度比线索，由左右幅度比取对数得到；二者搭配的原因是单一线索在混响和多说话人下不可靠，而 BiEAR 同时保留幅度与相位并外加宽带互相关，新增作用是让后端在不同频段自动偏向更可靠的耳朵与子带。

绝对 Q 控制 × 相对 Q 控制： 绝对 Q 控制负责加性偏移：在基线 Q0 上直接加变化范围与控制信号的乘积；相对 Q 控制负责乘性缩放：在基线 Q0 上乘以一加变化范围与控制信号的乘积；二者搭配比较的原因是加性对所有子带施加均匀偏移，而乘性使改变量正比于基线 Q 从而天然频率相关；论文的新增发现是相对控制的带宽调整更一致、训练更稳定，并在双控制器下取得总体最优。

后端输入的 3 个 100 维向量分别来自强度差编码器、相位差编码器与互相关，拼接后经 512、400、200 的 3 层瓶颈，再进入 8 个扇区网络。每个扇区网络先经 100 单元共享全连接，再分三头：检测与方位各经 50、10、1 的 3 层结构，距离头输出距离类别数。这种结构使消融与主比较可以固定后端、只换前端，从而把收益归因到自适应机制。

多任务损失如何只在有源扇区产生监督？

训练目标是 8 个扇区的联合多任务损失。每个扇区有检测二分类损失、方位均方误差损失与距离交叉熵损失，权重分别取 0.25、0.45 与 0.55 附近的原文设定，具体为检测 0.25、方位 0.45、距离 0.35。关键机制是指示变量：只有当该扇区真值存在活动声源时，才计入方位与距离损失；无源扇区的角度与距离不产生梯度，避免模型被迫拟合不存在目标的角度。检测分支始终有监督，负责计数与扇区选择。

扇区检测 × 方位回归与距离分类： 扇区检测负责先回答该 45 度扇区内有无活动声源，用二分类监督；方位回归与距离分类负责在有源时进一步给出连续角度和离散距离类别；二者搭配的原因是多说话人定位需要同时解决计数、定位与测距，而指示变量只在有源扇区激活后两项损失，避免无源扇区产生无效梯度，新增作用是把 8 个扇区网络的联合多任务损失统一为可端到端优化的目标。

优化按原文交代：用 Adam 优化，最多 100 轮，批量 64，早停耐心 10，初始学习率万分之一，权重衰减十万分之一，梯度裁剪 0.3，选验证损失最低的检查点评估。环境迁移时把消声预训练模型在混响测试数据的 10% 上微调 20 轮，再在剩余 90% 上评估。论文未报告逐层冻结或梯度是否截断到控制器的细节缺项：它说明了控制器在推理期逐帧改写 Q，但没有给出控制器与滤波器组之间是否可微、是否联合端到端训练的显式梯度路径描述，复现时只能按联合损失与 Adam 的说明实现，不应从名称推定冻结方式。

距离标签在混响评估中有特殊处理：混响房间的记录距离与消声离散类别不完全一致，因此距离估计按 5 类处理，4 类为 0.5 米、1 米、2 米、3 米，另一类为大于 3 米，3 米以内按映射到最近训练类别算正确。这意味着跨房间的距离准确率与消声距离准确率的标签口径并不完全相同，比较时要注明聚合对象与映射规则，不能只看数字升降。

数据如何构造，基线与变体如何保证可比？

数据构造遵循 DeepEar 协议。干净单声道取自 TIMIT，裁剪或补 0 到 1 秒，再与双耳房间脉冲响应卷积实现空间化；多说话人混合把多个独立空间化后的双耳信号按随机方位与距离相加。所有双耳房间脉冲响应来自柏林工业大学数据库，消声、会议室与演讲厅的方位与距离范围在原文表中有明确划分。消声训练、验证与测试的样本量与混合比例已在前文对齐，房间测试集均用 TIMIT 测试集话语且说话人未见过。

模型配置固定了可比条件。比较对象是 AuralNet 与 DeepEar，且统一后端只换前端；BiEAR 有 5 个变体：无控制器、单控制器加绝对控制、单控制器加相对控制、双控制器加绝对控制、双控制器加相对控制。绝对控制取基线变化量 2、低乘子 0.5、高乘子 5，相对控制取基线变化量 1、低乘子 0.3、高乘子 5，高频变化范围可达 29.2 而低频约 1.6。分帧与滤波器组规模、Q 上下界与平滑系数在所有变体中一致。

下表整理复现必须一致的构造与训练条件，读表时注意单位与裸值的区别，不要自行补百分号或改精度。

上表把易错的运行条件集中到一处：样本量决定统计稳定性，分帧与频带数决定特征维度，Q 界与平滑系数决定自适应幅度，训练预算决定收敛位置。复现时应先按此表检查数据生成与前端配置，再看主结果；若改变其中任一项，方位误差与距离准确率的变化不能直接归因到控制器结构。原文未报告硬件与耗时，推理开销与延迟待验证，不能从参数量直接推定实时性。

消声多说话人下谁赢了，代价在哪里？

比较问题是：在消声已见与未见说话人下，自适应前端是否在检测、方位与距离三项上同时改善，且条件是否公平。公平条件是统一后端与训练预算，只换前端；指标方向是检测与距离准确率越高越好，方位平均绝对误差越低越好。下表取双说话人附近的消声结果做宽表对照，保留原文写法与精度，重点看基线与最优 BiEAR 的差距。

上表显示的主要收益在检测与方位。双控制器相对控制在 1 至 3 说话人下把方位误差压到最低，例如 2 说话人已见与未见说话人分别约为 3.05 度与 3.13 度，优于 AuralNet 的 3.82 度与 3.83 度；检测准确率也多为最高。具体代价与反例是距离估计并非全胜：AuralNet 在距离上多次最优，论文解释为其自注意力更强调直达声从而利于距离感知，这属于有限解释而非因果证明。另一代价是参数量从无控制器的 1.29M 增至双控制器的 1.63M，且推理期每帧都要计算控制器与改写滤波器，原文未量化延迟与算力，不能承诺更快或更省。

已见与未见说话人的差异很小，支持了对说话人身份的鲁棒性判断，但这不等于对房间鲁棒，还需看真实房间与环境迁移的证据。重提结果时要加新对照：说话人泛化已解决，房间泛化仍需微调，且距离与方位对自适应的敏感度不同，不能用方位的胜利代替距离的结论。

单双控制器与绝对相对控制差在哪里？

消融要回答两个操作问题：控制器放在单耳共享还是双耳独立，Q 调节用加性还是乘性。原文报告显示，加入控制器后各项总体向好，但单控制器相对无控制器的提升很小，双控制器才带来明显下降的方位误差与上升的检测率。相对控制总体优于绝对控制，原因是乘性缩放使改变量正比于基线 Q，带宽调整在不同子带更一致，训练更稳定。因此后续房间实验只采用双控制器相对控制，这是一个由消融决定的实际可运行策略，而不是事后挑选最优值。

可视化分析用 292 度右前方、2 米单说话人样本，选低频约 159 赫兹、中频约 821 赫兹、高频约 3.86 千赫兹 3 条子带。读图时先看 Q 随帧变化，再看第 5 帧滤波器增益，最后看被动与主动幅度谱。

看图路径： 1. 先对比左耳与右耳两张 Q 值随帧变化曲线中高频主动曲线的抬升幅度；2. 再看第 5 帧的滤波器增益图中虚线被动与实线主动在低频中频高频三处的峰宽变化；3. 最后对比右耳被动与主动幅度谱图中显著区域是否更集中、弱区域是否被压暗

论文图 3。原论文 Figure 3：“Adaptive filterbank behaviour of BiEAR + Dual Controller + Rel.”。

该图左两张显示左右耳 Q 值随帧演化，主动曲线相对被动基线明显抬升，且右耳高频抬升更强；中间两张第 5 帧增益显示右耳中高频峰变窄变高、低频右耳变宽而左耳变窄；右两张右耳幅度谱显示主动表示的显著区域更集中、弱区域被压暗。论文据此提出耳与时频相关的注意力式解释：声源靠近右耳时增强右耳中高频选择性以利用更可靠的强度差，同时在低频保留更多右耳相位样本并收窄左耳，用时间差线索互补。这是有可视化支持的机制解释，但仍应表述为支持而非证明，因为未做反事实干预。

未胜出项必须点名：单控制器两种控制在多说话人方位上仍落后于 AuralNet 与双控制器版本，无控制器在 3 说话人距离上最低；这说明自适应的收益依赖双耳独立执行，单共享控制器不是可部署的优选。边界是可视化只展示单样本单帧，末帧行为不能推广到全程，像素也无法精确读出每帧 Q 值，因此不要硬写具体数值序列。

房间迁移证明了什么，没有证明什么？

房间实验的问题是：消声预训练模型直接搬到未见真实房间会掉多少，经少量混响数据微调后谁恢复得更好。条件是说话人全部未见，微调用混响测试数据的 10%，在剩余 90% 上评估；会议室为低混响，演讲厅为高混响且记录距离与训练离散距离不匹配，导致演讲厅距离准确率整体偏低。原文报告显示，直接迁移时 BiEAR 已强于基线，微调后进一步拉开差距，例如会议室的检测与方位多为最优。这支持了自适应前端对新房间动力学更快更稳的判断。

但限制同样明确。第一，所有房间结果都依赖环境迁移微调，不是零样本部署；DeepEar 与 AuralNet 经迁移也有大幅提升，说明基线对新环境适应的依赖更强，但不能说基线不可用。第二，演讲厅距离因标签映射口径不同，跨房间比较距离数字时要谨慎，总体趋势不等于每组都成立。第三，论文未测量误判率分解、每步延迟、内存与功耗，也未评估移动声源与更多样数据集，因此不能承诺延迟改善或移动场景有效，这些是待验证项。

相关性不是因果的提醒适用于全文：Q 变化与性能提升同时出现，但没有证明某条子带的变窄必然导致某次方位估计变准；控制器是内侧橄榄耳蜗束的功能抽象，原文明确不是神经环路复刻，不能把工程模块当成生物学证据。

下表把训练与迁移预算单独整理，避免把数据红利误读为结构红利。

上表说明房间收益的来源是结构加数据：10% 混响数据带来分布对齐，双控制器相对控制提供逐帧调节能力。若去掉微调，差距会缩小；若只给数据不给自适应，基线仍落后。因此何时值得尝试 BiEAR 取决于是否有少量目标房间数据可做微调，以及是否能承担逐帧控制的推理开销，否则固定前端加微调仍是更省的基线。

要复现应先固定哪些代码与数据动作？

复现先做三件可执行的事。第一，按论文公开的代码仓库核对前端实现，确认 Gabor 滤波器组、强度差与相位差计算、互相关时延范围、控制器结构与 Q 裁剪是否与正文一致；资源状态显示代码当前可用，但这只代表链接可达，不代表权重下载或一键运行，运行前要检查依赖与脚本入口。

第二，按 TIMIT 加柏林工业大学双耳房间脉冲响应的协议重建数据，固定 1 秒长度、随机方位与距离采样、混合相加流程，以及 72000、9000、9000 的划分与一至三说话人等比例，避免用自己的房间脉冲响应直接对比原文数字。第三，固定 20 毫秒窗、10 毫秒跳、100 频带、平滑系数 0.8、Q 界 0.05 到 30、相对控制变化范围 1.6 到 29.2，以及联合损失权重与 Adam 超参数，再跑无控制器、单控制器与双控制器对照。

监督与重置的缺项要在记录中写明：指示变量屏蔽无源扇区的方位与距离损失已有说明，但控制器状态跨样本是否重置、滤波器 Q 初值每段是否复位、微调时哪些参数冻结，原文没有逐项交代。复现时应固定一种实现并报告，例如每段开始重置平滑能量与门控循环单元状态，微调默认更新全部参数但记录学习率与轮数，以便他人比对。若改动这些未定项，性能变化应归因到实现选择，而不是论文结构。

评价时按扇区平均报告检测准确率、方位平均绝对误差与距离分类准确率，并分别给出已见与未见说话人、消声与会议室与演讲厅、直接迁移与环境迁移的结果。不要把自动指标当成人评，也不要把不同距离口径的准确率混在同一列比较。百分点与相对百分比要分开表述，例如方位误差下降多少度，而不是笼统说提升百分之多少。

何时值得用 BiEAR，还差哪项验证？

综合证据，BiEAR 值得尝试的场景是：需要在 360 度多说话人下同时做检出、测向与粗测距，且测试说话人与房间可能未见，但能提供少量目标房间数据做微调。它的核心动作不是换更大的后端，而是让左右耳各自根据当前帧能量改写滤波器 Q 值，从而在推理期强调可靠频带。消声与房间结果共同支持检测与方位的改善，相对控制与双控制器是经过消融的推荐组合。

不值得盲目套用的情况也要记住。若任务以距离估计为主，AuralNet 在原文多处距离最优，固定前端加自注意力可能是更直接的选择；若无法承担逐帧控制的计算或无法获取目标房间微调数据，BiEAR 的优势会被削弱；若声源移动或房间更多样，原文没有评估，不能把静态片段的结论推广到跟踪场景。

还需补的验证很具体：公开逐帧 Q 轨迹与强度差相位差图的定量消融，测量推理延迟、帧率与内存，补充移动声源与更多房间的零样本与少样本曲线，并明确控制器梯度路径与状态重置规则。做完这些，才能把注意力式解释从可视化支持推进到可操作的部署指南。初学者复述时守住一句话：双耳独立、逐帧调 Q、相对控制最稳，方位收益最大，距离与开销是主要保留项。

⚖️ 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 interspeech-2026 论文汇总