信号处理

共分析 133 篇 ICLR 2026 论文

该研究在吵闹真实场景的人体模型录音上验证：AI 语音增强在放大通路内各设备改善相近，但只有压住未经处理的直接声通路后，其信噪比改善才能从高频扩展到低频，宽带加权信噪比因此明显提高，而单独开主动降噪几乎不改善信噪比。

该论文把随解码数据在线学习的熵编码代价直接送入感知比特分配，用动态规划在块预算下求最小总噪声掩蔽比，并用严格按块与带储备的对照分离出熵感知与协同适应的增量，代价是动态规划编码端约 20 倍于拉格朗日方法的计算量。

论文用定位去除与等大随机去除的配对比较检验断言是否依赖特定音频区域，发现空白基线的优势主要来自删除时长，而定位是否有效与解码纠正能否起作用都随模型而变化。

该文把节拍跟踪拆成先学局部等脉冲塔图姆网格再在网格上判断每拍含几个脉冲、每小节含几拍，用可微分的网格加子网格分布代替逐帧独立概率，在下拍连续性上超过同基座的无后处理基线，但平均仍落后于带动态贝叶斯网络的最优方法，且网格漏拍会直接限制最终上限。

该文用振膜弯曲到波导伸长再到马赫-曾德干涉光电流的解析链，评估光学散粒噪声与背腔热机械噪声决定的压力分辨率和以 10% 总谐波失真定义的过载，在 1 mW 紧凑情形给出 78 dB 信噪比与 124 dB 过载、在 100 mW 测量情形主要改善压力分辨率，但均附带有利假设而不构成对常规话筒的全面优势。

SoFilNet 只用重建语音做监督就同时估计基频、清浊、五带非周期性与有序共振峰和反共振零点，在 VTR 共振峰与跨库基频上取得最低平均误差，代价是幅度谱建模与固定极零点结构带来的简化。

论文把多通道复数掩码估计问题交给全连接脉冲网络，用直接编码与率编码两种脉冲序列实现多麦克风空间信息的利用，并在固定仿真条件下刻画了模型宽度与脉冲长度带来的增强质量与计算代价权衡。

论文把归一化频谱看成概率分布，用瓦瑟斯坦距离度量马勒与韦伯恩段落在加弱音器前后的音色差异，并用三音二阶矩与塞萨雷斯不协和度做并列比较，再把哈蒙弱音器的开口变化与女高音元音放在同一巴拿赫空间中对照，最有力的证据是同一音高与同一和弦在音色改变后几何量与听感指标成倍变化，代价是样本少、只覆盖有限元音且未建模空间听觉。

该研究解决在分通道自然对话录音中把语音活动还原为轮次和反馈两类交互单元的问题，用语音检测加能量过滤加合并加转写加上下文后处理得到初版标注，在 99 段丹麦语对话上检出 F1 约 0.62 且匹配段的中位边界误差约零点十几秒，代价是仍需人工复核且对参数敏感。

论文用声学到发音反演得到声道变量并以特征谱度量协调复杂度与趋同，证据显示非自闭配对随时间更复杂且趋同更强并与自评会话成功相关，混合配对趋同最弱。

CASM 在冻结的节拍激活上做离线半马尔可夫解码，用局部周期及其竞争间隔的分离程度调节时间正则强度，在 GTZAN 和 SMC 上以同一套参数提升连续性并保持 F1，代价是仍需阈值、音符数兜底和拍号解码等确定性规则。

论文把文本条件合成器得到的 78 维配置经由基于角色的映射固定为可复用的音色塑形效果器，用四种吉他音色提示的频谱与非线性测量加打乱映射消融证明结构化分工带来提示可区分性，并用检索增强的合成器生成器提升表示的文本相似度，代价是映射为启发式且评估只限单段吉他演奏与信号级指标。

针对客观音质只给单点平均分而听音试验给出分数分布的问题，用 11 个 PEAQ 特征加 50 个自举 MARS 回归器加全局均值宽度校准来模拟听众分数，校准后在所有数据集上提高了区间覆盖和分布一致性但仍低于名义水平，且成对显著性判断还不可靠。

FloorSAV 针对第一视角窄视野加移动声源难定位的问题，把点云、相机轨迹、声源估计和物体标注画成与视频同步的二维俯视图小视频送给音频视觉大模型做单次联合推理，在 SAVED-Bench 整体从 58.3% 提到 65.3%，代价是依赖高质量点云位姿和多通道音频且地图读数仍受模型能力限制。

论文把无声部分配信息的复调乐谱表示成音高—时间点集，用平移、反射和时间轴缩放刻画移调、逆行、倒影与压成和弦等变换，并在拉威尔 Menuet sur le nom d'Haydn 的 31 个 HAYDN 主题出现之间用变换图验证了八种表示的分工与代价。

论文用 Sethares 粗糙度模型算出四音和弦的不协和度体，把 12、31、53 平均律的 192 种七和弦放进同一坐标系做可听导航，再用调式互换作曲并以 31 人听辨检验感知是否与模型一致，代价是只适用于谐波音色且样本与锚定条件限制结论外推。

论文把同一空间内多位置房间脉冲响应的短时傅里叶功率写成衰减率参数化的非负矩阵分解，用 Itakura-Saito 散度做损失并提出贡献加权 SAGE 来加速衰减率更新，在真值分离较好的合成双衰减上恢复准确、在耦合房间实测中得到平滑的频率相关混响时间曲线，代价是分量数需预先给定且相距很近的衰减仍难分辨。

LayerIt 要解决的是乐谱、录音与算法输出时间坐标不一致且手工拼图不可复现的问题，它用统一演奏时间比例加分层拼图的方法，在德彪西《月光》前六小节的拍点跟踪实例上展示了定位节拍误读的能力，代价是依赖外部对齐与乐谱质量且频谱场只能内嵌位图。

Lyric 针对小设备上音频采集与频谱特征计算开销大的问题，用五个无源声学共振通道加低速包络做输入，在说话人互斥的 AudioMNIST 实测中以 EdgeSpeechNet-A 达到 95.70% 准确率，代价是相对对数梅尔基线下降 3.58 个百分点并大幅降低处理器计算延迟。