信号处理

共分析 133 篇 ICLR 2026 论文

本文把周期、归一化、符号与全局相位、基旋转和半正定约束等不变性对应到圆、环面、球面、投影空间、Stiefel 与 Grassmann 流形和协方差锥，再选相容分布与估计方法，用脑相位相干与车内说话人分离说明表示与模型复杂度如何共同决定无监督状态发现。

论文要解决 32 位浮点音频无法用 FLAC 无损发行的问题，采用帧内按指数对齐再把相干波形与不相关噪声分开编码的办法，在高分辨率音乐上做到与 24 位整数 FLAC 相当的体积并保留超过 0 dBFS 的峰值，代价是上子帧宽度需要折中选择且极端动态要切换到保底编码。

GDBack 用同一组二阶全通滤波对投毒语音做相位变换，在两数据集三模型上以 5% 投毒取得 94% 以上攻击成功率，同时保持正常识别与语音质量，其激活依赖中心频率等滤波参数且在强混响与部分防御下仍有局限。

针对新场地不知音箱位置、又想在现场听着真实音箱做空间创作的问题，Spatial DJ 用 AR 对准采集布局、以后端距离增益实时渲染，并以 18 只音箱房的校准误差、控制延迟和 18 人听感实验说明效果与边界。

本文用说话人之间的左右和远近相对关系作为离散指令来引导多通道提取网络，在静态与运动、仿真与实测混响下验证了其在不同麦克风数和说话人数下的提取效果与适用边界。

针对两个终端各看局部、合起来才决定标签的分布式语义通信，本文用训练期均衡后协同奖励去修正逐终端计费的门控选择，在奇偶校验上复现理论门限并在 AV-MNIST 与 PAMAP2 上节省约三成负载符号，代价是集中训练与按预算重训门控。

本文用一个声源的一次房间脉冲响应得到两组镜像声源点云，再用以真实声源为锚点的 ARCTIC 配准求相对位姿，在 36 个真实房间脉冲响应上达到平均角度误差 5 度以内和距离误差 10 厘米以内，代价是依赖早期反射可见重叠和紧凑阵列假设。

TAPE 用识别 68 个插件的编码器得到处理嵌入，再用一次前向的可微 DSP 链解码为可编辑参数，在 60 对跨内容迁移上谱误差低于已发布模型与逐例搜索，但实时与泛化仍受链结构与评测条件限制。

论文用 ShipsEar 五秒音频比较六种分类器在树莓派 5 上的完整音频到预测流程，发现两层 CNN 准确最高而 RBF-SVM 只低 0.31 个百分点却快 4.29 倍，因而把 RBF-SVM 部署到 Zero 2 W 仍能跟上连续音频的速度。

论文先保留已调好的稠密混响特性，再把反馈矩阵拟合为固定置换加小正交块的分级乘积，并在 Apple M2 上以更少的存储和更短的反馈乘法时间逼近原频响与听感，但结论只在给定延迟增益衰减与测试条件下成立。

论文针对全参考退化度量按模态割裂且在重退化区不敏感的问题，用固定参考隐式神经表示的对角 Fisher 敏感度轮廓之对称 KL 散度定义统一分数，并以 SIREN 闭式 Fisher 和超网络加速拟合支撑跨模态实验。

针对只有目标注册语音时缺少干扰方信息的问题，NECTAR 利用混合质心近似等于说话人质心中点的几何关系并用质心空间映射器从单段输入估计质心，再把目标嵌入与估计的干扰质心拼接送入提取器，在 Libri2Mix 上达到 16.18 dB 的 SI-SDRi 提升，代价是增加一个约 1 小时训练的小型映射器。

SEMAC 针对五阶 Ambisonics 通道数多、逐通道编码码率随阶数平方增长的问题，用 16、9 或 4 个波束域传输通道加全阶方向能量包络边信息做编码与重建，在 512 和 768 kbit/s 下经 11 名听众的 MUSHRA 验证，16 通道版本评分高于 36 通道全阶 Opus CMF 3，代价是包络在五阶时可占 100 kbit/s 以上且 …

该文解决固定阵列训练的目标提取模型换阵列就失效的问题，用目标导向矢量和 GCC-PHAT 空间掩蔽代替抽象位置编码做几何条件，在随机与圆形阵列上都提升提取质量，但目标方向误差超过 20 度后优势不再。

针对资源受限语音增强要在小算力下保留频谱细节的问题，HC-AINet 用三角形 ERB 子带压缩增益预测、用带噪谐波位置图在原始频点上补充谐波分支并做幅度条件相位重建，在 VoiceBank-DEMAND 上 64 带达到 PESQ 3.20 而参数约 0.27M，代价是频带加倍时运算量明显上升。

论文在统一流程下比较音频 Transformer 的剪枝与合并稀疏化，提出结合注意力与频域线索的谱平坦度方法，并在三个数据集上验证了频率感知策略在训练后稀疏化中的优势与计算节省。

本文针对房间脉冲响应峰位滑动导致逐点误差失效的问题，提出直接比较带正负号波形的带符号 Wasserstein-1 距离，在声源位移与房间缩放扰动下得到更平滑的损失地形，并在可微镜像源模型中提高房间尺寸恢复精度，但吸声系数估计仍以逐点误差更准。

pyFDN 针对人工混响与去相关的反馈延迟网络实验需要反复建网、听感渲染、看模态再调参的问题，把矩阵构造、时域分块处理、模态转换与基于 FLAMO 的可微优化用统一的数值构建和 JSON 预设串起来，0.5.0 版本明确不做性能与听感优劣断言，复现依赖版本、种子与数值设置的同时记录。

论文把扩展 Karplus-Strong 做成按拨弦事件输出参数的声匹配系统，对比时域拉格朗日插值与频率采样两种可微实现，发现谱损失给不出多事件起音方向梯度，合成数据上只用参数损失学得最好，而真实吉他上借助外部检测器只优化音色泛化最好，但重建保真度仍不及泛音加噪声基线。