空间音频信号

针对无线声传感器网络中集中式传输原始麦克风信号开销大且难扩展的问题，论文提出传输平面波与边界元物理映射加低秩先验的隐坐标并做反向注水比特分配，仿真报告在相同估计误差下分配策略比均匀量化需要更少总速率，但低秩与高噪声会抬高误差下限。

针对听音者移动导致声传递函数变化时时域 FxLMS 加 RLS 在线建模计算重、重收敛慢的问题，论文提出频域极坐标 FxNLMS 加 NLMS 声路径跟踪与声对比度驱动变步长，在 10 扬声器仿真中把每帧计算量降低约 99.94% 并把移动后重收敛时间常数从 33.11 s 缩短到 3.71 s，代价是仍只在自由场白噪声仿真中验证且依赖多组 Sigmoid …

该工作用共享拓扑的配准耳网格研究几何驱动的个性化 HRTF 合成，对比 30 维 PCA 几何与全分辨率网格、潜空间与全信号回归以及单域与多域损失，显示多域复合损失把时域表示的 LSD 从约 15 dB 降到约 9.4 dB，但全几何增益依赖表示且波形一致性仍有限。

Rumbler 以两端装麦克风与扬声器的可伸缩弯扭管道构成混响反馈环，用 ChucK 滤波器与手势映射在谐波稳态与过渡噪声之间转向，代价是无输入时更不可预测且演出需冻结链路反复练习。

论文提出连续环境语义视听导航任务 SAVN-CE 与记忆增强模型 MAGNet，用自运动线索加情景记忆维持静音后目标推理，直接报告最高 12.1 个百分点成功率提升，代价是 128 线程加 4 卡约 14 天训练与干扰声下增益收窄。

论文把沉浸式混音中的对象移动形式化为音乐空间事件检测，用目标与背景双流加 Spec-TNT 与 TCN 和 CTGI 门控预测帧级移动概率，在 1000 个专业工程上报告 Frame-F1 为 0.7675 和 Event-IoU 为 0.6305，代价是仍有零星抖动且只预测何时动而不生成连续三维轨迹。

论文提出从单图生成可导航三维视觉加空间声场的新任务，并用免训练的全景重建加语义接地加高保真立体声编码链路实现，在 68 段实录上的方向误差降低 47% 等报告提升下仍保留运动声源等明确边界。

该研究用同一卷积神经网络比较幅度与相位四类时频特征的全部小组合，报告显示域内语音用 ILD 加 IPD 在 0 度仰角达 4.5 度误差，而跨内容泛化需通道相位谱加 ILD 与 IPD 并在域外以 8.4 度误差超过更大 Transformer，代价是特征通道增多与对纯音等结构贫乏信号仍失效。

该文以班加罗尔印度声音研究组织二十年实践为对象，提出把空间、工具、准入与治理当作作曲材料的方法，其证据是 32 通道空间音频实验室、工作坊谱系与衍生项目在约束与慢速生长中持续生成，代价是放弃可复制的通用模型与年度新颖性评价。

针对带同步音频的视频生成缺乏联合评测的问题，VABench 用文本到声画、图像到声画与立体声三类任务和专家加多模态大模型的十五维评估组织测试，报告显示端到端音视频模型在对齐与细粒度问答上占优而语义同步真实感难以兼得，且立体声空间分离均不可靠。

针对固定通道神经音频编解码器换通道数就要换结构的问题，VCNAC 用分流卷积加统一量化瓶颈实现单套参数原生支持 1 通道、2 通道和 6 通道，在 7.9 kbit/s 量级取得与更高码率基线可比的主客观重建质量，代价是依赖合成环绕声训练且中置与后置通道客观指标仍偏低。

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

针对长条形隧道内接收位置连续变化时混响特征平滑过渡的问题，该演示用三位置实测脉冲响应构造 6300 个共享极点的模态合成引擎并做残差插值，时域归一化误差低于 3.5%，代价是仅覆盖纵轴一维移动且高频需外推补偿。

IRIS 把已测或自定义脉冲响应集合排成二维可导航平面，用高斯距离加权与最多 8 路有界卷积做实时试听，在 Apple M4 Pro 上 512 采样缓冲下 16 路 1 秒 IR 平均 2.87 毫秒等三组条件保持在 10.67 毫秒预算内，代价是只做简化时域混合而不保证物理最优与感知透明。

针对混合声中只定位目标声源的问题，该研究用跨实例图像做语义提示，先做语义对齐再做多频带空间对齐，在 VGGSound-SSL 上报告平均绝对误差 16.59 度、准确率 71.29%，代价是依赖合成空间音频与人工核验的提示池。

针对未见被试在稀疏测量下难以个性化 HRTF 的问题，该工作用图网络分别做基于被试检索的个性化和基于位置检索的上采样，再用前者输出微调后者，报告在 SONICOM 上 3 个方向时把 LSD 从 4.33 dB 降到 3.60 dB，代价是需要先测少量方向并做两阶段预训练加微调。

MMAU-Pro 用 5305 组野外音频与 49 项技能考查长时、多音频、空间与文化理解，最强模型仅 59.2% 准确率，暴露感知到推理的断层与指令遵循短板。

针对单模态指令在相似物体环境中易歧义的问题，论文提出 MINav 任务与 NaVLA2 个模型，用空间语义双分支音频编码与边想边做解码实现多模态接地，最强证据是在 MINav 上达到 27.2% 成功率与 19.6% 路径加权成功率，代价是仍需三阶段训练与连续仿真渲染。

在听觉引导视觉搜索任务中比较个体化与 KEMAR 非个体化 HRTF 在消声与混响下的行为，证据显示消声下个体化使反应时平均缩短约 200 ms 且优势集中于动作发起而非总运动量，混响下优势消失。

为解决视觉遮挡下世界模型缺乏空间听觉的问题，BinauralVAE 对比三种 VAE 在 0.2 秒双耳片段上的重建能力，显示保留相位的复数 VAE 在低频段实现可听的空间保真，而幅值-only 与四通道实数 VAE 分别因 ITD 丢失与相位塌缩而失效。