声源定位

针对悬停无人机自噪声在极低信噪比下同时破坏方位估计、噪声协方差估计和残留噪声抑制的问题，该研究用相位一致性选时频格、交叉频率混合掩蔽做最小方差无失真响应波束形成、再加零陷参考后滤波，在无混响负 25 分贝输入下报告方位准确率 98.12% 并提升语音质量，但计算只计乘加操作且只验证悬停状态。

该研究把 GCC-PHAT 拆成可探测的中间目标，追踪 MLP、CNN、Transformer 各层学到什么，最强证据是互功率稳定可解码而 PHAT 相位始终不可解码，代价是混响下时延本身的可解码性仍随 T60 下降。

该研究把板混响脉冲响应转成多分辨率幅度谱图加相位通道后用 ResNet-18 回归七个原始物理参数，在 200 条 5 秒对照上把平均 NMSE 从基线 0.0605 降到 0.0058，代价是依赖下采样到 1470 Hz 的低频段与仿真分布。

针对极角估计中声源谱与头相关传输函数纠缠的病态问题，论文用相关性贝叶斯观察者联合评估生态声源先验与五种空间先验，最强证据是所有变体复现了谱分辨率提高时极角误差与象限错误率单调下降而非对称先验整体更贴合，但生态声源先验增益有限且组水平无一致最优先验。

针对球麦测得空间房间冲激响应中早期反射互相重叠且高度相关的问题，该文把声场写成连续平面波叠加并反演方向核，再用球面高斯拟合与信息准则数出反射个数，在仿真与实测中提高了多回声同时存在时的定位精度与检出率，但弱回声仍受动态范围与阶数限制。

论文研究只用仿真训练的单通道距离估计器在真实语料上直接失效的问题，选择冻结估计器加几十条标注拟合仿射映射的路线，最强证据是 QMUL-TIMIT 干净条件下相关性 0.63 的模型经校准后明显优于常数均值，而代价是在低相关语料上斜率估计噪声会超过收益因而应退回常数预测。

论文用双耳掩蔽级差检验 9 个冻结模型的微秒级耳间相位编码，发现通用双耳模型靠谱-时干扰纹理而非跨通道相位计算，专用相位感知模型才获得实质但未达解析上限的释放量，而宽带语音中的高检出率是包络混淆。

针对多个移动说话人方向接近时纯空间线索难以稳定归属的问题，SpkGuideDOA 用压缩分辨率的说话人门控对直接路径相位差估计器做残差调制，在仿真与 LOCATA 上报告了更低的漏检与角度误差，代价是引导分支带来的参数增加与联合排列约束。

针对反无人机音频定位中固定窗长在声学证据与时间对应延迟之间的矛盾，该工作用最小探针提取无标签声学状态并以 PPO 同时选择窗口长度与 Mamba 时间特征权重，在 MMAUD-V1 上以 0.23 s 平均窗口取得 0.30 m 误差与 0.136 s 延迟，代价是需要三阶段训练与跟踪反馈维持。

针对深度与双耳音频简单拼接会丢失几何语义关联的问题，CTAN 用双向重构交叉注意力做主动语义增强、用门控时间记忆桥接听觉死区，在 Replica 与 Matterport3D 未见环境中相对 SoundSpaces 基线提升了未听过声音下的成功率与路径效率，但消融显示各模块贡献与听觉死区恢复能力仍受场景规模与声音泛化条件限制。

共收录 160 篇 nime-2026 会议论文的 Reader 深度解读

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读

针对 3 英尺胶合板表演面上接触式传声的各向异性与极小时延难题，该工作用四通道接触麦克风加短时频谱回归直接预测笔尖坐标，最强证据是 ResNet50 在全数据上平均 L1 误差 0.191 优于轻量 Transformer 的 0.225，代价是对板 orientation 与装配变化敏感且 R1/R3 误差显著升高。

针对盲人和低视力音乐制作人难以使用可视化环绕声混音插件的问题，该研究用 bHaptics TactSuit X40 背心把声音方位映射为腰部振动并以左右箭头键移动声源，5 名制作人的探索性任务与访谈报告了定位信心提升和认知负荷下降，但对齐精度与分辨率仍需改进且未提供定量定位误差。

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

针对声源定位中特征匹配缺少显式验证的问题，该研究用 Qwen2.5-Omni-7B 的提示工程实现生成-分析-精修三阶段零样本定位，在 MUSIC 与 VGGSound 单源和双源基准上报告了可比或更高的精度，代价是单样本约 4 秒的多轮推理开销。

该文用文本到图像与文本到音频模型构造 VGGSound 合成克隆并固定 ACL-SSL 做对比学习，验证同规模替代、合成图像配真实音频修正与 2 倍 3 倍混合扩展三类用法，最强混合配方相对纯真实基线提升约 8.62 cIoU、5.58 mIoU 与 12.16 IIoU，代价是合成音频弱于真实音频且纯合成需到 3 倍才稳定超越。

针对有限单通道记录单元下多声源到达时差关联模糊问题，论文提出按子带估计多候选时差再用频谱特征向量分组、分解为多个单声源定位，在 3 到 6 个麦克风与 2 到 8 个声源仿真中报告漏检随麦克风增加而下降、定位误差多保持在 1 米以内，但高噪声多源下漏检仍高达 40% 左右。

针对混响下窄带声源逐帧网格定位带来网格失配的问题，该文把点神经元声场前向模型嵌入卡尔曼滤波，只在首帧做定位、之后直接对麦克风声压做连续三维跟踪，单源在 800 到 1200 赫兹多轨迹上报告接近零误差并可扩展到三源，但代价是 95 到 119 个贴边界麦克风和受控仿真条件。

该文研究已知麦克风与声源位置下用直达与反射距离估计鞋盒房间六面墙的问题，提出三距离全求解器与两距离正交求解器并结合 RANSAC 剔除误检，最强证据是已知 chirp 与未知移动音乐两类仿真及 ScanNet++ 伪合成与实录中仍能找回多面墙，代价是逐墙剔除会误删他墙对应距离且后几面墙更难找。