麦克风阵列

针对盗猎监测中大面积与弱卫星定位条件下的枪声值守问题，论文用多个边缘麦克风阵列单元先触发再分类再估计阵内时延与到达角并融合定位，在约 5000 至 49000 平方米场测中取得 MCC 0.70 与数米级定位误差，但结论依赖扬声器回放与特定布站条件。

本文针对固定阵列假设下区域提取难以换阵列使用的问题，提出随麦克风数量和位置变化的前端与重建辅助目标，在仿真上超过同类可变阵列基线并在四麦克风上接近专用模型，但边界区分仍依赖孔径条件。

SPATEX 针对多麦克风下既要提目标语音又要保留各通道空间关系、且麦克风数量与几何可变的问题，用几何感知的通道交换与共享时间注意力逐通道重建混响目标像，并以相位差与相干性约束通道间关系，在可变阵列与固定阵列上都报告了提取与空间保真度的提升。

本文用说话人之间的左右和远近相对关系作为离散指令来引导多通道提取网络，在静态与运动、仿真与实测混响下验证了其在不同麦克风数和说话人数下的提取效果与适用边界。

本文用一个声源的一次房间脉冲响应得到两组镜像声源点云，再用以真实声源为锚点的 ARCTIC 配准求相对位姿，在 36 个真实房间脉冲响应上达到平均角度误差 5 度以内和距离误差 10 厘米以内，代价是依赖早期反射可见重叠和紧凑阵列假设。

论文把理想高阶 Ambisonics 重建写成一个从传声器观测出发的逆问题，用只在理想信号上训练的扩散先验加物理前向算子在推理时做后验采样，并以阶数掩蔽和分数混合解决可观测分量校正与不可观测高阶生成之间的矛盾，代价是 90 步约 150 次网络求值的迭代推理开销。

本文把到达方向估计做成 32 类分类，用 U-Net 输出逐帧后验，再用保形预测集合的大小与形状决定相信神经网络还是相信时间连续性，实验显示该平滑在 0 dB 突发方向噪声下能降低平均绝对误差，但在无噪声低混响时提升很小甚至略变差。

该文解决固定阵列训练的目标提取模型换阵列就失效的问题，用目标导向矢量和 GCC-PHAT 空间掩蔽代替抽象位置编码做几何条件，在随机与圆形阵列上都提升提取质量，但目标方向误差超过 20 度后优势不再。

论文把多通道复数掩码估计问题交给全连接脉冲网络，用直接编码与率编码两种脉冲序列实现多麦克风空间信息的利用，并在固定仿真条件下刻画了模型宽度与脉冲长度带来的增强质量与计算代价权衡。

论文用从消声到 12 阶镜像声源加扩散混响和阵列仿真的 20 种几何仿真训练同一多声源定位模型，在三个实测数据集上发现中等复杂度已能强泛化而更高阶与镜像源随机扰动只带来小幅提升，但阵列精细仿真代价很高。

SEA-LM 针对可穿戴麦克风阵列的自我中心多声源场景，用 FOACoder 把可变阵列信号统一为一阶 Ambisonics 空间嵌入再与单声道语义嵌入联合输入大语言模型，在合成评测集上降低了方位角与俯仰角误差并改善了转写与检测，但结论只在仿真静态场景和 1211 种眼镜阵列配置内成立。

针对稀疏麦克风阵列延迟求和图像旁瓣高、两侧变宽且发射器指向性难标定的问题，该文用里程计驱动的声流预测同时学习去卷积网络与物理结构点扩散函数，在仿真中把全视场分辨率稳定到 5 到 6 度，代价是依赖运动、里程计和仿真验证。

针对仿真训练在真实远场混合上泛化不足的问题，UltraM2M 用同一增强网络同时接受仿真监督、混合重构约束和冻结语音识别损失的弱监督，在 CHiME-4 真实集上降低词错误率，多通道时还提升感知质量，但结论只在该数据集和给定评测识别器条件下成立。

针对少麦克风、低信噪比下盲语音分离观测约束不足的问题，VM-ArrayDPS 把独立向量分析输出当作虚拟麦克风与物理麦克风一起做多通道一致性引导，在 SMS-WSJ 二人和三人混响分离上一致超过 ArrayDPS，代价是每步要多做虚拟通道的前向卷积预测与梯度计算。

针对开放式耳机的空间选择性有源噪声控制问题，论文把期望语音保持误差改成频率加权二次惩罚并保持时域低延迟控制，在实测脉冲响应多说话人场景下报告 LTASS 与 oracle 加权在更高 SI-SDR 处取得最大可懂度提升和相当音质提升，而 SII 与 MIRS 的最大音质提升出现在更低失真容忍度之外。

针对定位误差导致分离质量下降的问题，该工作把单点质量优化改为同一音频窗内多位置波束形成加质量加权平均，在真实办公室与商场录音上用更大初始误差验证了更快更稳的纠正过程，代价是质量估计智能体单次响应时间随测试点数增加。

针对噪声与混响下固定频率加权和严格对位匹配不可靠的问题，QK-GCC 用双通道幅度相位频点表征的查询键局部匹配替代手工匹配，并在仿真混响与变信噪比条件下报告了优于 GCC-PHAT 与神经 GCC 变体的帧级精度，同时保持轻量双通道算子结构。

该研究用共享麦克风处理加掩蔽自注意力实现可变麦克风数的一阶 Ambisonics 矩阵编码，对比只看阵列传递函数的信号无关编码与同时看观测信号的信号相关编码，在 LibriSpeech 训练后于未见麦克风数、更多声源数和非语音源上仍优于静态最小二乘，而信号相关整体更强但白噪声下绝对重建仍然困难。

针对麦克风布局与数量变化时的三维波达方向估计，GAMF 用候选方向阵列传输函数做声学描述，分别构建可学习的麦克风对齐匹配与解析的归一化匹配，并以门控融合，在仿真噪声混响下学习分支更稳健，而八麦克风 LOCATA 上混合达到球面平均误差 3.76 度、方位角 2.87 度，但干净低混响下解析方法仍有优势。

该文把每帧无序波达方向估计和说话人嵌入在输入端融合，用时间与声源两维自注意力输出按说话人排序的轨迹，在合成与 LOCATA 上以关联精度提升为主、检测与定位误差同步下降为证据，但只验证至多两说话人同时至多两活跃的短序列条件。