工业应用

论文研究无异常标签时能否预测 kNN 异常检测性能，推导 AUC 下界并用局部尺度分解内点分数方差，再用嵌入空间伪异常估计分离度，在 DCASE 2022-2025 共 208 个候选系统上显示 Diverse 伪异常的 Pseudo AUC 可超越有异常开发集选择，但代价是依赖语义元数据与伪异常构造质量。

该文研究用振膜集成光波导马赫-曾德尔干涉仪把声压转成光程差再转成光电流的传声器，以解析模型评估信噪比、声过载与动态范围上限，结论是在常规微机电与测量传声器应用中无总体优势，可能价值在高温等恶劣环境。

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

论文把标准评测中已知机器身份的假设拿掉后联合评测，发现判别式模型退化最小而依赖机器专属分数的方法退化明显，且退化程度与隐式机器识别准确率相关，但局部密度归一化为例外显示识别准不是高检测性能的必要条件。

针对只有正常机声可训练的异常声音检测，该文用两层 MuReNN 加注意力与可训练幂变换提取谱时调制并以 Deep SVDD 把正常样本压向超球面中心，在 MIMII 上平均 AUC 达 90.3%，代价是在 -6 dB 强噪声下落后于带去噪重建的 DeSpaWN。

针对含噪机器声中最近邻匹配不可靠的问题，该研究用机器与噪声标注加混合对齐做保留式再预训练，在受控信噪比与噪声失配下相对 BEATs 提升低信噪比约 4.1、平均约 3.1，代价是仍与嵌入混合上界有差距且依赖固定的 0.5 混合系数。

针对 GMAW 角焊缝中难以实时发现的五类内部缺陷，论文用 16 帧图像与梅尔声谱的 3D 时序融合加跨块注意力将多模态 F1 提升至 0.99，并以 GradCAM 与 t-SNE 定位每类缺陷的图像关键区与更优模态，代价仅增加 0.1 GFLOPs。

语音增强 | 6.3/10

音频分类 | 5.1/10

回声消除 | 4.9/10

语音识别 | 7.9/10

语音交互 | 7.3/10

音频事件检测 | 8.8/10

音频分类 | 7.3/10

音频理解 | 7.3/10

共分析 20 篇语音/AI 论文

语音伪造检测 | 6.6/10

音频分类 | 5.9/10

音频分类 | 5.6/10

音频生成 | 7.5/10