状态空间模型

针对多人演唱与密集伴奏下的目标歌声分离，MambaVoice 用对数分频音频编码加面部动作门控做条件，再以先 Mamba 后 Transformer 的混合主干建模，报告在 Acappella 未见未闻测试上以 16.2M 参数取得 14.18 dB SDR，并在 URSing 跨域与推理耗时上给出对照，代价是强干扰下仍略低于 VoViT 基线且主观评测样本 …

SE-MSB 用扩散薛定谔桥在干净与退化语音分布之间学习双向随机输运，并以端到端 Mamba 波形模型实现，在去混响与混合退化上报告可比拟配对方法的效果，同时保持少步采样与低计算量。

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。

针对带噪语音中浊音谐波易被抹掉且 PESQ 不可微的问题，HAMMER 用时间-频率并行注意力-Mamba 加自相关前馈建模周期性，并用软化 PESQ 加可微 LLR 直接优化，在 VoiceBank+DEMAND 上报告 3.69 PESQ 和 4.41 COVL，推理时对比度拉伸可到 3.79 PESQ 但背景分随之下降。

论文把考试式四部数字低音配写形式化为相邻事件上的硬约束与局部代价问题，用完整和声状态的分层图与动态规划证明固定声部数下可行性与最小代价可多项式求解，并以二拍、四拍、八拍实例展示合法性、贪心失效与复现步骤。

针对轻量音视语音增强中拼接缺乏结构、先验稠密注意力易错配的问题，SG-Mamba 用±3 帧稀疏异构图做局部内容自适应融合再交由单向 Mamba 建模全局时序，在 LRS3 噪声下取得 13.091 dB SI-SDR，代价为 5.3 M 参数和 3.45 G MACs。

针对双人竞争听觉注意解码中短窗 Fisher-z 相关方差大、单尺度无监督 GMM 难分 attended 与 unattended 分量的问题，论文提出跨 8 种窗长共享均值、方差按 1/(N_L-1) 缩放的多尺度 GMM 联合估计 HMM 发射参数，在 72 分钟全量下 1 秒窗提升 1.82 个百分点、在 6 分钟数据下提升 8.32 个百分点，但数 …

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读

该文针对 CHiME-9 Task2 多通道助听增强的延迟与跨通道建模矛盾，采用延迟感知外壳加单向时间 Mamba 核心的解耦结构，在助听器开发集上因果配置以 1.36M 参数和 0.005 实时率超越官方基线，离线加深配置进一步提升指标但延迟增至秒级。

共收录 14 篇 chime-2026 会议论文的 Reader 深度解读

针对大语料深度模型不适用个人作曲且只处理音高时值的问题，该文把带表情的动机表示为音程状态轨迹并以卡尔曼式随机偏离生成变体，用作曲家自己的选择在线调节方差与结构编辑概率，代价是只做单声部且无定量评测与用户研究。

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读

共收录 91 篇 dafx-2026 会议论文的 Reader 深度解读

针对只用 8 秒短片段训练却要在数十秒到 5 分钟长视频上生成对齐音频的问题，论文用非因果 Mamba-2 替换位置编码依赖并以分层压缩加时间与多模态路由做对齐，在 UnAV100 与 LongVale 长测上取得分布与同步优势，代价是阈值与压缩结构需要仔细选择。

论文把小提琴琴桥导纳看作有限维线性系统，用特征系统实现算法从实测脉冲响应直接做汉克尔矩阵奇异值分解得到降阶状态空间，并在六把小提琴上以时域频域与能量衰减三类误差对比两版模态拟合基线，代价是高阶近似与尚无听感实验。

EMMA 从视频、音频与图表时间序列联合反推显式参数、隐式动力学与坐标不变量，在 75 个 Delfys 视频与 rover、无人机及仿真图表上给出可仿真验证的参数，并以约 1.4 倍于基线的单轮耗时换取多参数与隐式建模能力。

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

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。

该工作把非线性模拟音频电路的状态空间微分代数方程改写为单步等式约束二次规划，用线性化后的器件约束残差作为局部缺陷指示器驱动多速率自适应步长，在二极管削波器、共射放大器和考毕兹振荡器上以 SPICE 为基准验证了一致性，代价是在强非线性段需要降到约 200 ns 量级的最小步长。

针对双说话人竞争下脑电信噪比低而窗级解码在分辨率与精度间折中问题，论文用马尔可夫切换模型把包络回归与注意状态转移联合建模并用 EM 逐采样点估计，在 KULeuven 数据上取得与 HMM 后处理相当的中位精度而中位切换检测延迟显著更短，代价是对初始化敏感且仍依赖线性回归假设。