我已经阅读了全文（15页）并收集了相关的前沿背景信息。以下是结构化的审查报告。

论文审查：SelectTSL: Prompt-Guided Selective Target Sound Localization in Complex Scenarios

论文类型: 问题定义型 + 方法型

本文提出了一个新的任务（prompt-guided selective target sound localization）并提出了配套的端到端架构（SelectTSL）来解决该任务。两方面的贡献并存。

公理审查结果

公理一：对象公理

• 判定: ✅
• 依据: 论文指向一个真实且清晰的问题：现有SSL语义盲（定位所有声源），现有TSE空间盲（提取目标但丢失多通道空间信息），两者之间存在真实空白。任务定义可操作化：给定双通道 mixture + text/audio prompt，输出帧级 DoA posteriorgram（180 bins）和 source cardinality（0/1/2）。指标（MAE、F1、MOTA*、OSPA-T）直接对应目标。实验范围与 claim 一致：synthetic + TAU-SRIR real rooms，moving sources，1-2 targets，SNR [-5,5]dB。问题有实际应用场景（smart speakers、hearing aids、cocktail party）。外延限制：双通道、180° azimuth、最多2个并发同类目标、仅室内——这些限制在论文中是透明的。
• Wiki 证据: OMC wiki 无记录。paper-wiki 无记录。free-search 找到三篇直接相关工作：SEL (arXiv:2406.16058, EUSIPCO 2024, text-queried single-target localization)、LuSeeL (arXiv:2601.19153, Jan 2026, language-queried binaural extraction+DoA)、VP-SelDoA/AV-SSAN (arXiv:2507.07384, Jul 2025, visual-prompted selective DoA)。三者均确认该问题真实存在且尚未被充分解决，SelectTSL 的任务定义（multimodal prompt + time-varying cardinality）在已有工作基础上有明确扩展。
• 分数: 8

公理二：识别公理

• 判定: ⚠️
• 依据: 消融实验设计较好：系统级消融隔离了 coupling（target vs mixture magnitude）、spatial cues（IPD/ILD/none）、EIE blocks 数量、cross-attention/FuseLayer、cardinality head、training scheme（end-to-end vs two-stage）。每个消融只改变一个因素。”Sel-Joint” 条件是一个好的控制实验：给 baseline 加上相同的 PGSA front-end，从而分离 architecture effects 和 input conditioning。但关键问题：主表中 Mix 条件下 SelectTSL (MAE 0.98°) vs 最佳 baseline SEL (MAE 5.37°) 的差距过大（5.5x），主要原因可能是 baselines 并非为该任务设计。虽然 Sel-Joint/Clean 条件部分缓解了这一问题，但论文没有比较一个”简单合取 baseline”（如 CLAP embedding → cross-attention → 直接 DoA head，无 extraction network / IPD enhancer），因此无法确认 SelectTSL 的复杂设计中有多少提升来自架构设计 vs 单纯的 task-matched training。此外，ωDoA=100 的选择是手动调参，论文虽解释了 scale mismatch 原因，但未做 sensitivity analysis。
• Wiki 证据: OMC wiki 无记录。paper-wiki 无记录。free-search 未找到针对该任务的 ablation 基准。SEL 论文 (EUSIPCO 2024) 提供了 text-queried localization 的 baseline，但仅支持 text-only / single-target，不直接 comparable。
• 分数: 6

公理三：独立性公理

• 判定: ✅
• 依据: 训练数据由作者用 GPURIR 合成，评测 ground truth 来自仿真已知的 source positions，不存在标注污染。真实数据评测使用 TAU-SRIR（独立第三方数据集，Politis et al. 2022），RIR 和 source positions 由数据集提供者测量，不依赖作者的训练 pipeline。评测指标为标准 MAE/F1/MOTA*/OSPA-T，不涉及 LLM judge 或偏好模型。无 reward-evaluation overlap。CLAP 模型 frozen，仅作为 prompt encoder，不参与 DoA 评测。独立性满足。
• Wiki 证据: OMC wiki 无记录。TAU-SRIR 是公开数据集（arXiv:2006.01919），被 DCASE 社区广泛使用，有独立可信的评测锚点。
• 分数: 8

公理四：压缩公理

• 判定: ⚠️
• 依据: 架构复杂度较高。完整 pipeline 包含：Audio Encoder (Conv1D+ReLU) → Prompt Encoders (frozen CLAP + MLP) → Fusion Layer (two-stage FiLM) → Extraction Network (DPRNN + cross-attention) → EIEs export → IPD Enhancer (acoustic branch DWS Conv2d + semantic branch + gated FiLM + residual IPD prediction) → PRTM (FRB ×2 + TCN dilated + BiGRU) → DoA head + Cardinality head。涉及的组件包括 FiLM、cross-attention、DPRNN、gated FiLM、DWS Conv2d、SE、TCN、BiGRU——几乎所有音频处理的标准模块都出现了。消融证明多数组件有贡献，但缺少一个关键对比：能否用一个更简单的端到端设计（如 CLAP-conditioned Conformer 直接输出 DoA + cardinality）达到类似效果？论文的核心 insight（extraction-informed embeddings 条件化 IPD enhancement）是一个有解释力的设计假设，但未与更简洁的替代方案对比。命名方面，”PGSA”、”EIE”、”PRTM”、”FRB” 等新缩写较多，但每个对应的功能模块是清晰的，不算命名膨胀。
• Wiki 证据: OMC wiki 无记录。paper-wiki 无记录。free-search 找到的 LuSeeL 也采用 extraction + DoA joint design，但使用更简洁的架构（language → binaural extraction → DoA from spatial features），未使用 IPD enhancer / EIE / gated FiLM 等模块，可作为一个”更简设计”的间接参照点。
• 分数: 5

公理五：效用公理

• 判定: ✅
• 依据: 绝对指标在合成数据上达到可用水平（MAE 0.98°, F1 95.67%, MOTA* 91.57%），在真实数据上也表现良好（TAU-SRIR mean MAE 2.62°, MOTA* 0.77, OSPA-T 2.85°）。这些数值在双通道 SSL 领域属于强结果（对比 DCASE SELD 系统在类似设置下的 MAE 通常在 5-15°）。Baseline 覆盖充分：11 个 baselines 跨 4 个 family（track-wise / SELD+DoA / pure DoA / prompt-based），包括近期强 baseline EINV2、SALSA-Lite、DCASE25、CST-Former 系列。三个输入条件（Mix / Sel-Joint / Clean）提供了分层对比。指标覆盖全面：静态帧级（MAE, Prec, F1, Recall）+ 动态轨迹级（MOTA*, DetA, OSPA-T）。鲁棒性实验覆盖 acoustic complexity (A/B/C)、motion dynamics (A-D)、prompt 缺失比例 (30-70%)、real rooms (9 rooms)。主要局限：(1) baselines 从其他任务适配而来，公平性受限；(2) 真实数据仅 18.1h test，9 rooms，无 moving-source real recordings；(3) 未与 LuSeeL (concurrent) 直接对比。
• Wiki 证据: OMC wiki 无记录。free-search 确认 SelectTSL 的 baselines 覆盖了该领域的主要工作（IPDNet, EINV2, SALSA-Lite, DCASE25, SELDT, SRP-DNN, FN-SSL, SEL），未见遗漏关键 SOTA。LuSeeL (Jan 2026) 是最近的 concurrent work，也做 binaural extraction+DoA，但 text-only，论文未与之对比。
• 分数: 8

公理六：新颖性公理

• 判定: ⚠️
• 依据: 核心思路——将 TSE 的 prompt-guided extraction 与 SSL 的 DoA estimation 结合——是一个自然的桥梁，但并非全新概念。LuSeeL (arXiv:2601.19153, Jan 2026) 已提出 language-queried binaural extraction + joint DoA estimation，在思路上高度重叠。SEL (EUSIPCO 2024) 已提出 text-queried target sound event localization。SelectTSL 相对于这些工作的真实增量包括：(1) multimodal prompting（text + audio，统一在一个模型中），(2) cardinality head 处理 time-varying 0/1/2 targets，(3) IPD Enhancer 条件化于 extraction-informed embeddings，(4) moving-source + multi-target evaluation。这些增量是真实的，但每个增量本身较 incremental：(1) text+audio fusion 是标准 FiLM/cross-attention；(2) cardinality head 是一个 3-class classifier；(3) IPD enhancement via residuals 是 signal-processing 标准做法的条件化版本；(4) evaluation scope 是任务定义扩展。所有底层组件（CLAP, FiLM, DPRNN, TCN, BiGRU, SE, cross-attention）均为已有模块。组件间的 synergy 通过消融验证，但未见反直觉的 emergent behavior。与 LuSeeL 的时间差约 6 个月，超过 2 个月 concurrent window，但 LuSeeL 未被引用或对比。
• Wiki 证据: OMC wiki 无记录。paper-wiki 无记录。free-search 找到 LuSeeL (arXiv:2601.19153) 和 SEL (arXiv:2406.16058) 为最直接的前序工作。LuSeeL 在论文参考文献中未被引用（reference list 中未出现），这是一个遗漏。
• 分数: 5

公理七：可复现公理

• 判定: ⚠️
• 依据: 论文声明 “Dataset and code will be released”，但目前不可获取。训练细节较充分：STFT 参数 (nfft=1024, hop=256)、架构超参 (Demb=256, K=80, Ndprnn=6, Lchunk=128, Dh=64, KEIE=2, Cfeat=2180, Dgru=256)、训练配置 (200 epochs, lr=5e-4, Adam, gradient clip=1)、loss weights (1, 100, 1) 均给出。数据合成使用公开工具 (GPURIR) 和公开数据集 (LibriSpeech, AudioSet, WavCaps, ESC-50, etc.)。TAU-SRIR 公开可用。CLAP 公开可用。主要风险：(1) 合成数据生成脚本未公开，288.9h 训练数据的精确生成流程不可复现；(2) 397 个 target categories 的完整列表未给出；(3) prompt 文本格式和 Qwen2.5 paraphrase 生成细节未完全给出。不开源不直接否定论文，但降低可信度。
• Wiki 证据: OMC wiki 无记录。论文依赖的 GPURIR、LibriSpeech、TAU-SRIR、CLAP 均为公开可用资源，独立可获取。
• 分数: 6

日报摘要

• Strength: 在双通道 prompt-guided selective SSL 任务上，SelectTSL 在合成数据上达到 MAE 0.98°/MOTA* 91.57%，在 TAU-SRIR 真实数据上达到 MAE 2.62°/MOTA* 0.77，全面超越 11 个 baselines，消融实验系统验证了各组件贡献。
• Weakness: 架构复杂度高（PGSA+IPD Enhancer+PRTM+Cardinality Head，涉及 FiLM/cross-attention/DPRNN/TCN/BiGRU/SE 等大量标准模块堆叠），缺少与简单端到端设计的对比；未引用且未与最直接的 concurrent work LuSeeL (arXiv:2601.19153) 对比；代码和数据尚未开源。

总评

• 科学价值: 中 — 问题定义真实且有意义，消融设计较好，但因果识别不够彻底（缺少最简 task-matched baseline），且最直接的 concurrent work 未被对比。
• 方法价值: 中 — 多模态 prompt fusion + cardinality head + IPD enhancement 的组合是真实增量，但每个组件较 incremental，整体复杂度偏高而压缩价值不明确。
• 社区价值: 中偏高 — 任务定义填补了 SSL 与 TSE 之间的真实空白，评测协议和 baseline 覆盖较全面，如果代码/数据开源将为后续研究提供良好基准。

打分

加权总分: 6.21/10（加权分之和 62.0 / 权重之和 9.5） 最终建议: Weak Accept 6.5-8 — 落在 Borderline 上沿。问题定义清晰、实验全面、真实数据验证良好，但架构压缩性不足、concurrent work 遗漏、代码未开源是主要扣分点。建议接收条件：(1) 补充与 LuSeeL 的对比或至少引用讨论；(2) 公开代码和合成数据脚本；(3) 增加一个简单 task-matched baseline 确认架构复杂度的必要性。