音乐

针对扩散音频超分一次采样方差大、关键属性易丢失的问题，论文用冻结 AudioSR 加验证器打分与随机/零阶搜索选优，在 4 kHz 到 24 kHz 语音上报告最高约 9.70% 美学、15.20% 词错误率与 46.98% 频谱距离改善，代价是 120 路候选的成倍推理开销与单验证器过拟合风险。

针对长序列视频叙事中辅助能力弱、视觉质量差和表达单调的问题，MAViS 用分阶段多智能体与 3E 迭代和剧本写作约束组织生成，最强证据是用户研究约 69.44% 平均投票份额与关键帧 CLIP 34.22，主要代价是双 H100 上平均 13.63 小时的生成耗时。

针对改乐器风格情绪时旋律节奏易丢失的问题，Melodia 在冻结的 AudioLDM 2 上做部分逆向并只替换 8 到 14 层自注意力图来保结构，探测分类与三数据集主客观实验支持其在文本贴合和结构保持间的平衡，但综合分依赖跨方法归一化且未报告延迟与误改成本。

针对只有音乐输入而缺乏动机控制的问题，MotivDance 用文本生成关键姿态作动机、自适应定位到音乐节拍再做扩散补间，在 AIST++ 稀疏关键帧上取得 FIDk 64.36 与关键帧误差 0.1211，但无关键帧时节拍对齐仍弱于部分基线。

论文把音乐诱发绘画评估定义为直接预测感知一致性分数，用音乐调制视觉的 MPJudge 结合回归与偏好优化学习，在自建专家标注集上报告 SRCC 0.86 与 MAE 0.04，代价是更大的绘画编码器与对专家标注的依赖。

论文用 13 年约 2 万首曲调的每周曲谱收藏数据比较中性、频率依赖与每首曲调自带适合度三类出生过程，发现方向性选择最强但多样性仍因新曲持续进入而上升，社会与旋律特征可解释适合度方差的 29%。

TimeCues Studio 针对多人整库音乐标注与算法迭代脱节的问题，用共享节拍网格加四类标记与多候选加关键度扩展方案统一标注与评测，并在 109 首电子音乐自建库与 3 首 CC0 演示库上走通全流程，代价是首次分轨与特征缓存开销大且算法建议仍需逐条人工复核。

针对音频语言模型只靠粗粒度标题难以刻画力度、 timing 与声部进行的问题，该研究用对齐后的谱面加演奏 MIDI 构造文本表示 MuNo-SP 并自动生成长时间听觉分析与问答，在 MuSP-Bench 联合理解与人工偏好上报告了高于 ABC 与 MIDI 文本基线的准确率，代价是表示更长且仍限于古典钢琴与 MIDI 可表达的属性。

针对视频语言数据只写画面而把音乐当弱关联的问题，VMChill 以预告片为源做场景切分与视听分路标注，并在视频理解、视频生成与音乐生成上报告可复述的对照结果，其代价是自动合并标注仍需人工修正且分布偏向影视娱乐类预告片。

针对音乐舞蹈需同时逼真、对拍、多样、物理合理且可编辑的问题，论文以文本到动作掩码模型为先验并外挂音乐塔与姿态塔，在 FineDance 上把运动质量与多样性推高并实现快速推理，但节拍对齐并未登顶且依赖渐进训练与推理优化协同。

针对六声部无伴奏合唱中主唱与伴唱音色高度相似、时域重叠的分离难题，论文在 BS-RoFormer 主干中以帧级主唱音素对齐经 FiLM 逐层调制中间表示，并在 jaCappella 上以理想对齐条件验证其对 Vo 与 Other 两路 SI-SDRi 的提升及随音素重叠度变化的增益边界。

针对全曲音乐视频需要把歌曲语义与音乐结构转成连贯视觉发展的难题，MVWeaver 用层次化规划把总概念逐级展开为可渲染镜头，并用从真实歌曲-MV 对中学习到的歌曲到视觉桥接来条件化规划，证据显示其在歌曲贴合与长程连贯上优于同条件基线，但增益依赖桥接监督与层次资产复用。

本研究通过与职业鼓手四个月的协同设计，将仅支持离散打击检测的映射扩展为连续手势 RNN 与离散分类协同的 Max4Live 工具包，并以十首曲目录制检验其在真实创作中能否抵御技术俘获，代价是连续特征时域精度与循环稳定性仍有限。

针对严格因果实时伴奏中自回归节奏漂移问题，Silent Metronome 用与生成音频无关的外部节拍相位加速度拍子条件做逐帧锚定并辅以未来词元预测塑形表示，在 Slakh2100 上把 Beat-F 从 0.133 提升到 0.432 并超过 1 秒前视的非因果参照，代价是参数量增加与分布保真度的轻微回落。

论文用 50 首带真分轨的歌曲检验 4 代分离模型，显示 onset 位置随 SDR 变好而变准，但攻击斜率与动态包络的失真与 SDR 几乎无关，且固定片段的渲染会随输入长度漂移。

针对单乐器身份未知的乐器无关转录，Harmonica 以 CQT 输入与多深度谐波卷积在多源温度采样训练下实现 26.3K 至 15.1M 的规模化，x-large 在多数测试集上取得最高帧 F1，medium 以 848.5 倍实时保持可比精度，nano 以 1622.5 倍实时仍显著超过同量级基线。

针对音乐音频语言模型在四选一问答中被迫作答而无法表达不知道的问题，论文用同一 TinyMU 检查点经答案不变扰动构造伪集成，主证据是四种选项排序平均将准确率从 55.7% 提升到 59.2% 并将误差保留曲线面积从 0.293 降到 0.261，代价是每次提问需要 4 次前向传播且无需重新训练。

针对 Stable Audio Open 的 VAE 潜空间可解码音高类别这一可验证性质，论文用冻结的微型卷积探针在去噪后 40% 窗口内以 RMS 归一化梯度轻推潜变量，在 27 次配对试验中将旋律一致性从 0.112 提升至 0.274 且未报告音质代价。

针对歌唱音频的专家式指导反馈问题，VocalCoachBench 用同曲可控对比与异曲多样场景的双子集和原子主张拆分来构造可复现评估，12 个音频语言模型的实测显示成对排序可行但细粒度 Top-3 识别与严格诊断命中率仍低于多数类基线且严格命中低于 7%。

论文证明若变形类参数多于观测则残差选型只排正则项，据此把挑选限制为每原子一个复增益加纯时延、重建改用对齐原子的局部联合最小二乘，在 MUSDB18 上把准则与池内神谕的距离从 6.2–7.7 dB 压到 0.5–2.8 dB 但仅 0.9–1.2 dB 落到输出，并量化剩余 10.0 dB 锁来自对混合而非对目标的打分。