空间音频信号

TTBA 针对文本到双耳音频中方向不可控与声道间线索不稳的问题，采用交叉排列离散表征加空间提示编码器与 Transformer 自回归生成，并在 BEWO-1M 上以内容蒸馏稳定语义，多声源条件下语义与空间指标多优于 SpatialSonic，但单静态与单动态子集的部分指标仍有反复。

针对 360 度视频加单声道全指向声缺失方向分量的问题，论文用音频视觉分割先验定位再用复数域 U-Net 渲染补回 Y、Z、X 三通道，在自建 8.9 小时 YT-SPEECH 上取得更低重建与角度误差和更高语音质量，但噪声与重叠声源下仍不稳定。

针对离散采样与网格重采样丢失耳廓细节的问题，GISNO 把三维头型到边界声压学成连续算子再用可微亥姆霍兹积分渲染到任意场点，在 HUTUBS 上把对数谱失真降到 2.92 dB，代价是验证仍局限于较小数据集与仿真零样本条件。

针对双耳混合中目标说话人提取后空间线索易失真的问题，该工作选择直达路径头相关传输函数作为空间先验并在窄带分离骨干上做潜空间调制，在仿真上报告了更高的信失真比改善和更小的耳间线索误差，在头颈模拟器实录上报告了更高的非侵入式质量分，代价是依赖目标方位已知与头相关函数库的角度采样密度。

该文要解决多人多设备共享声场下数据难采集难复现的问题，选择把场景定义与音频渲染分离为轻量菜谱加按需渲染，演示了手动搭建单场景与规则批量生成场景集合两条路径，但未报告定量识别或增强收益且未给出可验证的公开资源。

针对单声道到双耳合成中耳间差异难复现的问题，Spec2Spatial 先做时域几何对齐再在时频域学习左右耳关联与位置调制，在 Binaural Speech 上取得 DILD 1.250、DITD 0.034 和 MRSTFT 1.174，代价是仍依赖小规模同域录音与位置姿态输入。

针对用稀疏参考 RIR 预测未见目标位置 RIR 的跨场景任务，论文提出按时间分流到双曲分支与欧氏分支再由上下文门融合的 Janus-RIR，在 AcousticRooms 上 K=8 时把 T60 误差降到 7.75% 并把 C50 误差降到 1.12 dB 左右，代价是需要并行双分支聚合与熵正则等额外结构。

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。

该研究在十个城市中心 2×2 km 街区施加完全相同的无人机与载客 eVTOL 飞越作业，用道路基线加低空航空器增量的三维声传播仿真，证明水平与立面暴露差异主要来自既有道路噪声基线与城市形态的联合塑造，代价是恒定 100 m 平飞、标准化交通与单街区代表等强简化假设。

针对可穿戴少麦克风阵列在高直混比下双耳信号匹配退化的问题，论文提出由卷积循环网络直接回归视场中心与张角并加权匹配滤波器的 FoV-BSM-Net，在仿真单声源数据上把全条件改善做到 1.0 dB、高直混比下做到 1.7 dB，但评估限于仿真且本次无可验证的开源链接。

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。

针对稀疏测量到稠密 HRTF 的上采样受固定测量布局限制的问题，GeoAtt 用逐频点查询条件空间聚合加 Conformer 频率建模实现单个模型适配多种布局，在 SONICOM 四个 LAP 布局上报告了最低对数谱失真，但受限测量覆盖下误差仍明显上升且代码权重本次未能确认可达。

该文把固定脉冲与随样本指数加长的滤波器做时变卷积并扩展到球谐域，用近最小相位滤波器拟合由非平稳高斯过程采样的方向相关混响时间，以快速分治卷积从噪声或已有脉冲生成新的空间脉冲响应，代价是滤波器阶数不足时指数放大会放大拟合误差且长混响方向必须更平滑。

该文把一阶到三阶上采样定义为给定低阶信号生成缺失高阶通道的条件分布，用流匹配与得分扩散同骨干对比，在混响语音上流匹配信号与听感占优但参数与采样代价明显更大。

MoSAT 针对空间音频加文本联合驱动人体动作的新任务，用运动 VAE 压缩加变换器流匹配分层融合条件，在 STAM 联合评测中对齐与分布质量占优，但强噪声与模态错位时仍会退化。

针对具身智能体难以利用空间音频做问答与导航的问题，论文构建 197 场景问答与 30 场景导航的实录基准并用可控渲染补大规模仿真训练，提出保留语义通路另加 FOA 空间编码器的 OmniEcho，其问答总体 28.5 分与声音导航 16.2% 成功率接近部分文本导航基线，但精细定位与自主停止仍是主要代价。

针对单通道自监督音频编码器空间盲的问题，Bearings 用掩码重建方向场与双尺度扩散度学习可复用的声场嵌入，冻结拼接后在两个 SELD 数据集上把位置相关 F 值从 4 以下提升到 40 以上，代价是仍需轻量融合头训练且部分指标未超越联合训练模型。

针对一阶 Ambisonics 在旋转与镜像下方向变化而声源不变的问题，EquiSELD 用不变标量与等变强度向量双流加等变注意力实现严格 O(3) 等变，在 TAU2021 上以 0.40 的综合分超过基线并以约 19 倍更少训练耗时超过已有等变网络，但在 STARSS23 真实场景上优势收窄且仍受类别覆盖与仰角先验限制。

论文把空间房间脉冲响应的聚合回声方向建模为球谐非负密度，用平方和半定规划做极大似然估计与逆变换采样，再以球面切片 Wasserstein 位移插值直线路径上的声源与反射密度，实验显示 Wasserstein 插值在整条路径上切片距离最小，但代价是切片离散化与非负约束带来的两步优化。

该文用理想比值掩蔽比较麦克风、波束形成器和 Ambisonics 三种域的增强，报告显示波束域语音质量最高而 Ambisonics 域更好地保留残留干扰的空间属性，且所有方法都保留目标声源定位线索，但以混响目标为期望才能保住混响。