英文题目：ARTT: Augmented Reverberant-Target Training for Unsupervised Monaural Speech Dereverberation
会议身份：
conference:interspeech:2026:conference-paper-id:song26d_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：#知识蒸馏 #无监督学习 #单通道 #语音 #去混响
评分：7.0/10 | 创新 1.5/2 | 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 1.0/1.5 | 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：方法研究
👥 作者与机构
- Siqi Song：机构信息未能从会议 PDF 纯文本可靠映射
- Fulin Wu：机构信息未能从会议 PDF 纯文本可靠映射
- Zhong-Qiu Wang：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
单通道无监督去混响需仅从单通道含混响噪声观测估计直达声，既无干净参考也无空间线索，且混响为强相关卷积过程，不满足噪声目标训练的独立假设。第一阶段混响目标训练将观测与在线采样统计相对传递函数卷积后重构原观测，利用卷积交换性迫使网络同时抑制合成与真实晚期混响，输出初始去混响映射。第二阶段基于平均教师的在线自蒸馏以指数滑动平均教师从较干净加噪输入生成伪目标，指导学生处理经物理仿真相对脉冲响应再混响并加噪的困难输入，并以原观测作辅助正则防止坍缩，实现去混响与隐式降噪。与需多通道约束求显式滤波器或迭代扩散联合估计房间脉冲响应的方法不同，该机制完全避开显式滤波器求解，直接学习噪声不变表示。在WSJ0CAM-DEREVERB测试集下，ARTTStageII的SI-SDR为7.3 dB，高于BUDDy的SI-SDR 2.1 dB。该结论适用边界受限于单仿真语料与5至25 dB扩散噪声及高斯扰动假设，对真实房间脉冲响应失配和强非平稳噪声的外推尚未验证。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://arttdemo.github.io/artt_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，哪些信息必须保留？
这篇论文只研究单通道无监督语音去混响。输入是单麦克风录到的含混响含噪混合，原文把时域模型写成观测等于直达声与未知相对传递函数卷积再加背景噪声。目标是在只有观测混合集合、没有干净直达声、没有房间冲激响应、推理时也没有空间信息可用的条件下，训练一个网络直接估计直达声。
对刚入门的读者，白话是这样：麦克风听到的不是干声，而是干声在房间里多次反射叠加后的结果，再混一点空调类 diffuse 噪声。直达声就是评价时作为参考的那一路干净成分，相对传递函数就是把直达声变成混响观测的那只未知滤波器。监督学习需要成对的混响输入和干声目标，但在真实录音中干声往往拿不到，合成房间训练又会在新房间失配，所以论文把学习条件限定为只能看观测混合。
必须保留的信息条件要先讲清，否则后面所有数字都不可比。数据集是 WSJ0CAM-DEREVERB，干声来自 WSJ0CAM 语料，训练、验证、测试分别有 7,861、742 和 1,088 条干声语句，再仿真成 39,293、2,968 和 3,262 条 noisy-reverberant 混合，时长约 77.7 小时、5.6 小时和 6.4 小时。录音设定是 8 通道圆阵直径 20 厘米，距离 0.75 到 2.5 米，混响时间 0.2 到 1.3 秒， diffuse 空调噪声按 5 到 25 dB 随机信噪比加入，采样率 16 kHz。论文只用第一通道做训练和测试，评价参考是第一通道的直达声。输出是当前可用状态的演示页，资源状态为 available，链接本次可达，但正文解读仍以论文证据为准。
混响目标训练 × 噪声目标训练： 噪声目标训练的分工是向已带噪混合再加一份独立随机噪声，用重建原混合迫使网络学不到随机部分只学共享语音；混响目标训练的分工是把同一思想搬到卷积型混响，但混响高度相关不满足独立假设，所以不能直接加噪，而要卷积一条随机合成混响尾。搭配理由是两者都用退化后再重建来制造无干净参考时的监督，组合意义是把去噪的独立性直觉替换为去混响的可交换卷积直觉，为第一阶段提供初始去混响能力。
理解了输入目标与信息约束，才能理解为什么论文不直接做有监督映射，也不依赖多通道混合约束，而是选择先加重混响再重建、再用自蒸馏提纯的两段路线。
已有路线在相同任务上卡在哪里？
同输入同目标的已有工作可分成 4 类。第一类是加权预测误差，用延迟线性预测估计晚期混响再相减，计算高效且能压晚期混响，但论文指出它没有充分利用数据驱动能学到的语音先验和房间声学。第二类是 USDnet 和 CTRnet 这类神经混合约束方法，要求网络估计的干净语音经某种线性滤波能重构观测混合，并用前向卷积预测求滤波器，但单通道时约束不够稳，原文说通常需要多通道混合约束损失才能保证稳健约束和准确去混响。
第三类是 BUDDy 和 USD-DPS 这类扩散生成方法，联合估计参数化房间模型与去混响，泛化能力受关注但沿反向扩散反复联合估计计算负担重。第 4 类是完全绕开滤波器计算的无监督方法，例如噪声目标训练，它基于 Noise2Noise 思想向观测再加噪再重建原观测，因为网络预测不出独立随机噪声而被迫学共享语音结构。
加权预测误差 × 混合约束损失： 加权预测误差的分工是用延迟线性预测估计晚期混响再相减，不需要干净参考但主要利用信号处理先验；混合约束损失的分工是要求网络估计的干净语音经某种线性滤波能重构观测混合，用前向卷积预测求滤波器来施加物理一致性。搭配原因是两者都属于无监督路线但约束来源不同，组合对照的意义是说明 ARTT 既不做显式线性预测相减，也不计算对齐滤波器，而是用合成退化与自蒸馏绕开滤波器估计。
论文明确指出标准噪声目标训练难以处理去混响，因为房间混响是高度相关的卷积过程，违反独立噪声假设。这就留下缺口：既想要噪声目标训练那样不需要干净参考、不算滤波器、可判别训练的简洁性，又要处理相关卷积退化。ARTT 的定位正是补这个缺口，第一阶段把加性独立噪声换成乘性卷积型合成混响，第二阶段再用教师学生机制解决不稳定和噪声鲁棒性。
为什么单通道无监督去混响是病态逆问题？
病态在这里是具体可操作的：同一个观测混合可以由不同的干声与不同的房间滤波器组合解释，单通道又没有空间多样性来缩小解空间。举例来说，观测到的拖尾既可能是原语音本身发得长，也可能是房间反射拖出来的，仅看一路波形无法唯一拆分。论文把未知量写成干声和相对传递函数都不可达，训练集只有观测混合集合，测试时同样只有单通道混合。
教学例子要标为例子：假设听到元音后有 0.4 秒能量尾巴，例子中的判别困难在于无法只从尾巴判断是说话人延长了元音还是墙面反射造成的，这就是论文所说的需要同时解耦干声与房间冲激响应的含义。该例子不附加任何数值效果，只说明单通道观测的信息不足。
因此任何无监督方法都必须额外引入假设或构造监督。加权预测误差假设晚期混响可延迟线性预测，混合约束假设存在线性滤波能对齐估计与混合，ARTT 则假设加重混响后的重建任务能迫使网络同时抑制真实与合成混响，再假设教师集成目标比单步学生更稳定。这两个假设是否成立，需要用主结果与消融对照来检验，而不是默认成立。
ARTT 两阶段如何分工，一条样本走完全程是什么样子？
ARTT 全称是增强混响目标训练，包含两个阶段。第一阶段是混响目标训练，记作 RTT；第二阶段是基于均值教师的在线自蒸馏。按一个样本走完全程：从观测混合出发，第一阶段把它与一条随机合成统计滤波器卷积得到更混响的输入，网络以该加重输入预测原观测混合；第二阶段把同一观测分别做成教师的较干净输入与学生的更难输入，学生对齐教师输出，同时用原观测做辅助锚定。
以下导读针对第二阶段总览图，先说明左右关系再看图。该图只画第二阶段，不含第一阶段的合成统计混响支路，左侧是同一观测分叉，中间是两种输入构造与两个网络，右侧是两个损失的连接位置。
看图路径： 1. 先从左侧观测 y 出发，沿分叉箭头分别找到教师支和学生支的输入构造；2. 确认教师网络与学生网络之间标为 EMA 的参数更新箭头方向；3. 对比右侧蒸馏损失与底部辅助损失各自连接的两个端点；4. 把该图与两阶段文字对应：本图只画第二阶段，第一阶段不在此图
论文图 1。原论文 Figure 1：“ARTT overview.”。
从像素可见，左侧方框是观测 y，分出两路：上路是教师输入，写作观测加教师噪声，经教师网络得到教师伪目标；下路是学生输入，写作观测与相对混响卷积再加学生噪声，经学生网络得到学生预测。教师参数由学生参数经指数滑动平均向上更新，右侧蒸馏损失连接教师输出与学生输出，底部虚线辅助损失连接原始观测与学生输出。这种画法把监督来源讲得很直白：蒸馏目标来自教师，稳定锚来自观测，困难来自合成混响与噪声。
2 阶段分工是：第一阶段解决无干净参考时如何启动判别训练并得到初始去混响映射，第二阶段解决第一阶段不稳定、直达声分离有限、易过拟合到观测以及对噪声敏感的问题。论文报告第一阶段已能压晚期混响但不稳定且性能有限，第二阶段带来大幅提升，这个先后关系是理解所有实验的前提。
第一阶段如何用加重混响制造监督？
第一阶段的输入构造是关键。记观测为 y，合成统计滤波器为 hsyn，则网络输入是二者卷积，目标是重建 y。由于输入对应干声依次卷积真实滤波器与合成滤波器，而线性卷积满足交换律，网络无法只精确去掉合成部分而保留真实部分，直觉上它会倾向同时减小两者，从而在一定程度上实现去混响。论文明确说虽然拟合目标本身仍带混响，但得到的网络能有效降低混响。
合成滤波器的形状需要先看图再对应公式。以下导读针对合成统计滤波器示例图，重点是直达脉冲与扩散尾的相对关系。
看图路径： 1. 先看纵轴幅度与首样点附近高达 1.0 的直达脉冲；2. 再看首样点之后快速起振又指数衰减的噪声状扩散尾；3. 估计尾部能量相对直达脉冲明显更小且随时间收敛到零
论文图 2。原论文 Figure 2：“Example synthetic statistical RTF hsyn for RTT.”。
从像素可见，纵轴是幅度，首样点处有一根高达 1.0 的竖线，对应公式中 n 等于 0 时取 1 的单位脉冲；其后紧跟一段上下抖动的蓝色密集尾巴，幅度远小于 1 并随时间指数衰减到接近零，对应公式中 n 大于 0 时高斯白噪声乘指数包络再乘缩放因子的设计。衰减快慢由随机采样的混响时间决定，尾部相对首样点的能量由随机采样的直达混响比决定缩放因子。训练时这些滤波器在线生成，混响时间从 0.5 到 1.2 秒均匀采样，直达混响比从负 16 到负 6 dB 均匀采样，扩散尾用高斯白噪声调制指数衰减包络并按采样比动态计算能量。
相对传递函数 × 合成统计混响： 相对传递函数的分工是描述直达声到混响观测之间的线性滤波关系，是真实房间未知且待反演的对象；合成统计混响的分工是在训练时人工制造的已知加重项，首样点为 1 后接指数衰减高斯扩散尾。搭配原因是两者都以卷积作用于语音且满足交换律，模型无法只 surgically 去掉合成部分而不触及真实混响，组合意义是让重建观测混合的目标隐含同时抑制两部分混响，从而在没有干净语音时获得去混响梯度。
损失上，第一阶段用统一重建损失比较网络对加重输入的预测与原观测，该损失由时域尺度不变信噪比误差项与幅度谱误差项相加组成。论文说该阶段让模型学会抑制合成晚期混响，为后续自蒸馏提供初始去混响结果。需要提醒的是，该阶段目标仍是混响信号，因此不能期望它直接输出干声，只能作为初始化。
第二阶段如何用教师与非对称输入提纯？
第二阶段把第一阶段学到的映射拿来精炼。教师参数按动量因子更新，原文动量取 0.999，教师是学生的时序集成，能提供连贯稳定的伪标签。输入构造是非对称的：教师输入是观测加小高斯噪声，用于产生可靠指导；学生输入是观测与物理仿真相对混响卷积再加噪声，同时包含合成混响与加性扰动，迫使学生隐式反演该相对滤波器并去噪以匹配教师的规范表示。
相对滤波器与第一阶段的统计滤波器不同，它更贴近物理房间。做法是先用房间仿真器生成完整混响冲激响应与其直达成分，再在频域用前者除以后者后逆变换得到校正滤波器，该滤波器把直达声映射到仿真声学空间的混响观测。教师与学生噪声标准差都设为观测标准差的 0.02 倍，仿真房间长宽在 5.0 到 10.0 米、高在 3.0 到 4.0 米、混响时间 0.2 到 1.3 秒。
均值教师 × 非对称输入： 均值教师的分工是以学生参数的指数滑动平均维护一个时序集成版本，提供更稳定连续的伪目标；非对称输入的分工是给教师较干净的加噪观测、给学生更难的混响加噪观测，制造必须泛化才能对齐的难度差。搭配原因是稳定目标加困难输入可以避免学生直接复制输入，组合意义是在第二阶段同时实现混响反演与噪声不变表示，避免第一阶段对观测混合的过拟合。
目标函数包含两项。主蒸馏损失对齐学生对困难输入的预测与教师稳定目标，并对教师目标做停止梯度；辅助正则项以原始观测为参考约束同一学生预测，防止收敛到平凡解；总体目标是两者按权重相加，权重取 1.2。论文强调若去掉辅助损失，自蒸馏会不稳定并易坍缩；若去掉噪声注入，对背景干扰的抑制会下降，特别体现在尺度不变信噪比上。
蒸馏损失 × 辅助正则损失： 蒸馏损失的分工是对齐学生对困难输入的输出与教师对稳定输入的输出，施加对合成混响和噪声的不变性；辅助正则损失的分工是用原始观测作为参考约束学生输出，防止蒸馏走向平凡解或坍缩。搭配原因是纯自蒸馏缺少外部锚点，组合意义是以权重组合同时追求教师一致性和观测保真度，原文以加权和形式统一优化。
沿样本再走一遍第二阶段：同一观测分叉成教师输入与学生输入，教师前向得到伪目标但不回传梯度到教师，学生前向得到预测并同时计算与伪目标的蒸馏距离和与原观测的辅助距离，只有学生参数被优化，教师参数随后按滑动平均缓慢跟随。这种参数冻结与更新分工是复现时最易写错的地方。
网络、特征与损失在训练时如何实际计算？
主干网络是 TF-GridNet，超参数取维度 128、块数 4 等原文给定的一组配置，以复数谱映射方式从输入混合的实部虚部预测目标信号的实部虚部。短时傅里叶变换窗口 32 毫秒、跳 8 毫秒，分析窗用汉宁窗的平方根。两个阶段共用同一重建损失形式，只是参考目标不同：第一阶段参考是原观测，第二阶段主项参考是教师伪目标、辅助项参考是原观测。
训练流程按论文可重放的描述是：第一阶段在线生成合成统计滤波器，把每条观测卷积成加重输入，计算重建损失更新学生网络；第二阶段先用房间仿真按上述范围采样房间并算出相对滤波器，再对每条观测构造教师与学生两路输入，前向得到教师伪目标与学生预测，计算蒸馏加辅助损失更新学生，教师按动量滑动平均更新。推理时只用学生网络对观测做 1 次前向估计直达声，不再构造加重输入，也不需要估计对齐滤波器。
未报告的缺项要明确指出。原文没有给出优化器类型、学习率、批量大小、训练轮数与早停规则，也没有给出 2 阶段切换的具体验证准则与教师预热重置时机，不能从模型名称推定这些实现。梯度路径只明确了蒸馏项对教师做停止梯度，辅助项与第一阶段损失的完整反向细节未展开，复现时应以论文公式与文字为准，不自行补写拿掉某组件后必然怎样的因果断言。
数据、基线与指标在什么条件下可比？
比较问题是：在只能看单通道观测、无干净参考训练的条件下，ARTT 相对传统信号处理、混合约束与扩散生成路线是否在相同测试集与相同参考下更好。公平条件是都只用第一通道测试，以第一通道直达声为参考，指标方向都是越高越好，包含窄带语音质量、扩展短时客观可懂度与尺度不变信噪比，分别用常见工具包计算。基线包含单通道与 8 通道加权预测误差、单通道与 8 通道 USDnet、BUDDy 1 维 U-Net 最佳配置，以及同主干的有监督 DNN-WPE，其中 USDnet 与 BUDDy 引用原论文最佳结果，DNN-WPE 与本框架同网络同傅里叶配置。
下表整理论文明确给出的仿真构造条件，用于核对复现时的采样范围是否一致，指标单位按原文保留，数值与单位同格，裸值不擅自添单位。
| 环节 | 参数 | 取值下限 | 取值上限 | 单位与说明 |
|---|---|---|---|---|
| 第一阶段合成混响 | T60 | 0.5 | 1.2 | s，均匀采样 |
| 第一阶段合成混响 | DRR | −16 | −6 | dB，均匀采样 |
| 第二阶段房间仿真 | 房间长宽 | 5.0 | 10.0 | m，均匀采样 |
| 第二阶段房间仿真 | 房间高 | 3.0 | 4.0 | m，均匀采样 |
| 第二阶段房间仿真 | T60 | 0.2 | 1.3 | s，仿真范围 |
表后解释要说明代价与边界。该采样覆盖中等到较强混响与常见房间尺寸，复现时若改小混响时间或改大直达混响比，相当于降低任务难度，结果会虚高；若房间尺寸与测试房间分布不一致，也会引入新的失配。论文未报告多次随机种子的方差与显著性检验，因此不能把小幅差异解读为稳定胜负，只能把大幅领先作为支持性证据。未评测的边界包括真实录音房间、移动声源与强非平稳噪声，这些都不在当前表格条件下。
主结果测什么，谁在相同条件下未胜出？
主结果测的是测试集上的去混响准确性、感知质量与可懂度，条件是单通道输入、直达声参考、同一 WSJ0CAM-DEREVERB 测试划分。论文报告未处理混合的尺度不变信噪比低至负 3.6 dB，传统单通道加权预测误差与单通道 USDnet 提升有限，BUDDy 达到 2.1 dB，而第一阶段已达 3.3 dB，第二阶段进一步到 7.3 dB 与 2.61 的感知质量，超过同主干有监督 DNN-WPE 的所有指标。
以下导读针对频谱可视化，先明确 4 个面板的对象与坐标再看图。上排是混合与干净直达参考，下排是第一阶段与第二阶段输出，横轴都是时间到 4.0 秒，纵轴都是频率到 8 kHz，颜色越亮表示能量越强。
看图路径： 1. 先对比左上混合与右上干净在静音段与谐波间隙处的背景填充差异；2. 再比较左下第一阶段与右下第二阶段在高频拖尾和低频谐波清晰度上的变化；3. 注意第二阶段背景更接近深蓝色且共振峰边缘更锐利
论文图 3。原论文 Figure 3：“Spectrogram visualization of reverberant mixture, clean refer- ence signals (direct-path), and outputs of ARTTStageI and ARTTStageII.”。
从像素可见，左上混合在语音间隙与高频处有大面积浅绿与黄色填充，表现为混响拖尾与噪声底；右上干净在相同位置呈深蓝静音背景，谐波与共振峰边缘清晰。左下第一阶段已大幅压掉弥散背景，但部分精细纹理偏平滑；右下第二阶段背景更干净，谐波更锐利，共振峰更接近干净参考，且背景噪声更少。论文文字与此一致：第一阶段有效抑制晚期混响但略过平滑丢失精细谱纹理，第二阶段更好保留精细结构并降噪。
下表用原文连续句可覆盖的数字整理核心可运行策略的对照，空缺处不编造，未胜出项明确保留。
| 系统 | 监督方式 | SI-SDR (dB) | PESQ | 说明 |
|---|---|---|---|---|
| 未处理混合 | — | −3.6 | — | 输入参考，严重混响 |
| BUDDy | 无监督单通道 | 2.1 | — | 生成路线最佳配置 |
| ARTT 第一阶段 | 无监督单通道 | 3.3 | — | 已超无监督基线 |
| ARTT 第二阶段 | 无监督单通道 | 7.3 | 2.61 | 本文完整方法 |
表后解释要同时讲收益与代价。第二阶段相对第一阶段的跃升支持在线自蒸馏与非对称增强的有效性，且论文称显著超过有监督 DNN-WPE。但代价是 2 阶段训练与仿真依赖，推理仍是判别前向所以比扩散迭代轻，但论文未测量延迟与计算量，不能承诺实时性改善。未胜出项包括单通道加权预测误差与单通道 USDnet，它们在相同单通道条件下落后；8 通道 USDnet 与 8 通道加权预测误差利用空间信息，不属于同输入公平胜负，只能作为参考上限。总体趋势不等于每条都成立，高信噪比段的细节需结合下一节按信噪比分桶的曲线看。
去掉噪声或辅助损失会发生什么，低信噪比下谁更稳？
消融问题是：第二阶段的噪声注入与辅助损失各自是否必要。论文用表格报告同时去掉或保留的对照，结论是去掉辅助损失导致所有指标急剧下降，支持没有参考信号正则时自蒸馏不稳定易坍缩的判断；去掉噪声注入也带来明显下降，特别在尺度不变信噪比上，支持独立噪声扰动引导模型抑制背景干扰的解释。这里的措辞是支持而非证明，因为只报告 1 次结果且未给方差。
以下导读针对按输入信噪比分桶的曲线，先确认图例与坐标再判断升降含义。上方面板纵轴是 SI-SDR，下方面板纵轴是 PESQ，横轴都是输入信噪比分桶，图例包含未处理、第一阶段与第二阶段，纵轴都是原始指标值越大越好，不能把曲线向下直接等同于方法变差，还要看未处理基线本身随信噪比的变化。
看图路径： 1. 先看上方面板 SI-SDR 随输入信噪比变化时三条曲线的相对位置；2. 再看下面板 PESQ 在低信噪比段教师蒸馏带来的间隔；3. 注意高信噪比最右端未处理曲线反超，说明增益与输入条件有关
论文图 4。原论文 Figure 4：“SI-SDR (dB) and PESQ comparison between ARTTStageI and ARTTStageII at different ranges of input SNR levels. Best viewed in color.”。
从像素可见，在左侧低信噪比桶，第一阶段蓝色实线迅速走低而第二阶段橙色虚线保持相对平稳，两者间隔大；在右侧高信噪比桶，3 条曲线收敛，未处理灰色虚线甚至在最右端反超，这与论文文字一致：自蒸馏在全信噪比范围更稳定，第一阶段在低信噪比快速退化。需要明确归因：该图是按输入信噪比分桶的聚合趋势，不是单样本轨迹，也不能把末桶结果推广为全程结论；像素不能精确读出每桶数值时不硬写，只做相对位置判断。
反例与边界是：高信噪比下未处理本身已较好，去混响增益变小甚至出现反超，说明方法价值集中在中低信噪比与中强混响；论文未报告误判率、延迟与训练成本随桶的变化，因此不能承诺这些量同步改善。
哪些结论尚未被验证，不能承诺什么？
论文直接报告的是在仿真 WSJ0CAM-DEREVERB 上的单通道结果，支持在该分布下 ARTT 优于所列无监督基线的判断。有限解释是关于交换律直觉与教师稳定性的机制说明，它们与主结果和消融方向一致，但未做因果干预实验来分离每条假设的贡献。未验证推测包括对真实房间、真实录音混响、移动说话人与强非平稳噪声的泛化，以及对下游语音识别与说话人识别的增益，原文未测量这些量，不能承诺可懂度提升等于识别率提升。
缺失证据不是技术错误，但要列清。未报告统计显著性、多种子方差、训练时长与硬件预算、推理帧率与实际延迟、模型参数量与内存占用，因此不能用总体趋势承诺每组每步都成立，也不能把自动指标当成人评。相关性不等于因果：第二阶段好可能同时来自更真实的相对滤波器、噪声不变表示与教师集成，不能只归因于其中一项。
适用条件的诚实表述是：当只有单通道观测、无干净参考、可用房间仿真器构造增强，且能接受 2 阶段训练时值得尝试；当已有干净成对数据或有多通道可用时，不应把本文单通道无监督数字与多通道或有监督数字直接比胜负。
复现先做什么，哪些参数必须照抄？
复现第一步是按信息条件重建数据与评价：只取第一通道，直达声作参考，用相同工具包算窄带感知质量与扩展可懂度，短时傅里叶变换用 32 毫秒窗、8 毫秒跳、汉宁窗平方根作分析窗，主干用 TF-GridNet 给定超参数做复数谱映射。第一阶段必须在线生成合成统计滤波器，混响时间均匀采 0.5 到 1.2 秒，直达混响比均匀采负 16 到负 6 dB，按能量比动态算缩放因子；第二阶段必须用图像法仿真房间，长宽 5.0 到 10.0 米、高 3.0 到 4.0 米、混响时间 0.2 到 1.3 秒，再按频域除法算相对滤波器，教师与学生噪声取观测标准差的 0.02 倍，动量取 0.999，辅助权重取 1.2。
第二步是分阶段校验：先跑第一阶段确认能压晚期混响但输出仍带混响且对低信噪比敏感，再跑第二阶段确认教师输出比学生稳定、学生对困难输入的对齐损失下降，同时监控去掉辅助损失是否出现坍缩迹象。推理只用学生单次前向，不构造加重输入。
还需补的验证是：多种子重复与显著性、真实录音小集主观听感、不同房间与信噪比桶的细化曲线、训练与推理开销计时。代码开源、权重下载与系统可运行要区分：论文只给出演示页链接，资源状态为 available 表示本次可达，不等于训练代码与权重已公开，复现前应先确认可达的是音频示例而非可运行仓库。
何时值得尝试，一句话如何复述方法？
当任务是单通道、无干净参考、测试房间与训练仿真存在失配，且能用仿真器做增强时，ARTT 值得尝试。它的可复述方法是：先把每条观测与随机指数衰减噪声尾卷积成更混响的输入，训练网络重建原观测以同时抑制真实与合成混响；再把同一观测做成教师的轻噪输入与学生的混响加噪难输入，用滑动平均教师的输出作目标、原观测作辅助锚，训练学生对齐教师从而提纯直达声估计。
记住两个易错点：一是第一阶段目标本身仍是混响混合，不能把它当干净目标来早停；二是第二阶段必须保留辅助损失与停止梯度，否则自蒸馏易坍缩，高信噪比段的增益本身就小，不能误读为方法失效。带着这两点去读表读图，就能把论文的数字放回正确的条件里理解。
⚖️ 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