事实锚点已足够。关键发现：

• UniCaCLF (arXiv 2506.08493, 2025年6月) — 最近的 SOTA 基线，已确认
• AV-Deepfake1M++ (arXiv 2507.20579, 2025年7月) — 一个更新的基准数据集，可能未被本文采用
• DiMoDif (2411.10193), UMMAFormer (2308.14395) — 均为真实且被引用的基线
• paper-wiki 中没有关于 AV-TFL 的记录；不存在与 skip-scan 等同的先前研究
• UniSkip-Mamba 是通过 “skip scanning mamba deepfake frequency-aware” 搜索得到的唯一匹配结果（确认了其新颖性声明）

现在我将撰写最终评审。

Paper Review: UniSkip-Mamba: A Frequency-Aware State Space Model for Audio-Visual Temporal Forgery Localization

注: 本 review 基于完整读取 arXiv HTML 全文（abstract / introduction / related work / methodology / experiments / ablation / frequency-domain analysis / conclusion / references 全部读到）。OMC wiki MCP 工具在当前环境中未配置（claude mcp list 返回 “No MCP servers configured”），无法调用 wiki_query / wiki_ingest；paper-wiki CLI 可用但其知识库主要为语音合成/编解码领域，对 AV-TFL / deepfake localization 无任何记录（concept/fuzzy 查询均返回空）。事实锚点改由 free-search 补充建立。按用户要求跳过 Step 5 写回，review 直接作为最终 Markdown 输出。

论文类型: 方法型 + 分析型混合

主体是新架构（UniSkip-Mamba: 统一序列融合 + Skip-Scanning Mamba Block + 分层 backbone），同时嵌入了较强的频域经验分析（判别频带 0–0.15 + 奈奎斯特论证 + 频带消融）。审稿尺子按方法型主轴，分析型副轴。

公理审查结果

公理一：对象公理 — 研究对象是否真实

• 判定: ✅
• 依据: AV-TFL（音视频时序伪造定位）是真实且具有社会价值的研究对象。LAV-DF 与 AV-Deepfake1M 是该领域公开 benchmark，由 Cai et al. (CVIU 2023 / ACM MM 2024) 建立，被 UMMAFormer、DiMoDif、UniCaCLF 等多条独立工作使用。任务定义可操作：给定视频，输出伪造段 (s_j, e_j, c_j) 的起止时间与类别，指标为 AP@{0.5,0.75,0.9,0.95} 与 mAP——指标与目标严格对应，无 proxy 偷换。AIGC 时代下的”司法取证 / 内容审核需要精确时序边界”这一动机真实且值得社区投入，不属于”极少人使用的伪问题”。Claim 的外延（两个 benchmark + 10 类扰动鲁棒性）与实验范围一致，未声称 any-domain / universal。
• Wiki 证据: paper-wiki 对 AV-TFL 无记录（查询 “audio-visual temporal forgery localization”、”temporal forgery localization”、”deepfake detection”、”forgery”、”deepfake”、”manipulation” 均空），但 free-search 确认 LAV-DF (arXiv 2305.01979)、AV-Deepfake1M (arXiv 2311.15308)、AV-Deepfake1M++ (arXiv 2507.20579, 2025-07)、UMMAFormer (2308.14395)、DiMoDif (2411.10193)、UniCaCLF (2506.08493, 2025-06) 均为真实独立工作。对象真实存在且为活跃前沿。
• 分数: 8

公理二：识别公理 — 是否识别真正有效的原因

• 判定: ⚠️
• 依据: 论文做了相当扎实的消融，能区分三件事的贡献：(a) 统一序列融合 vs 通道拼接 (ActionMamba 39.1 → Variant C 43.3 → 全模型 63.0)；(b) modality embedding 的必要性 (Variant C 43.3 → full-scan 63.0，+19.7)；(c) skip-scanning stride=2 的边际增益 (63.0 → 63.4)。更关键的是做了反事实对照：把统一序列塞进 Transformer UMMAFormer 反而掉到 34.6 (−3.0)，证明收益不是单点架构偷换。但是：(1) 表 III 的”Variant B = channel + modality emb = 34.7”明显低于 ActionMamba 39.1，作者解释为”embedding 在通道输入下引起混淆”——这个解释是事后归因，没有进一步隔离实验证明 modality embedding 为何反向作用。(2) skip-scanning 单独贡献仅 +0.4 AP@0.95（LAV-DF）和 +6.48 mAP（AV-Deepfake1M），而摘要把它作为核心创新之一；title 与”主要贡献”的归因权重和实际消融增量之间存在落差。(3) 没有最简 heuristic baseline（如纯能量/唇动差异的时序模板匹配），但这在 TAL 类任务中通常不要求，可视为 minor。
• Wiki 证据: paper-wiki 无 AV-TFL baseline 记录；free-search 确认 UMMAFormer、DiMoDif、UniCaCLF 为真实强 baseline 且都被本文覆盖。未遗漏明显强 baseline，但未引用 AV-Deepfake1M++ (2507.20579)，该文为 2025-07 发布的同 benchmark 升级版（含真实扰动），与本文鲁棒性主张直接相关——这属于”同期 / 紧邻工作”，按 skill 规则 2 个月内可视为 concurrent，但 2507.20579 比 2607.04498 早约 1 年，不构成 concurrent，应当被引用而未引用。
• 分数: 6

公理三：独立性公理 — 证据是否独立于结论构造过程

• 判定: ✅
• 依据: 训练数据 (LAV-DF / AV-Deepfake1M) 与评测集 (各自 val) 来自独立第三方 (Cai et al.)，非作者自造。特征提取器 (TSN / BYOL-A / VideoMAE V2 / Wav2Vec 2.0 XLS-R) 均为公开预训练模型，与本文训练闭环无重叠。频域消融 (表 IV) 用 band-pass filter 在 inference 时移除频带测性能下降，是独立于训练目标的诊断手段。鲁棒性评测用 10 类外生扰动 (Gaussian noise / blur / compression / occlusion / saturation / contrast / audio noise / compression / reverb) 在 1000 样本上测，扰动来源与训练无关。无 reward / judge 循环，无 synthetic 自评自测。未见循环论证。
• Wiki 证据: paper-wiki 无相关记录；free-search 确认两个 benchmark 数据集由独立团队维护，且代码仓 (controlnet/av-deepfake1M) 公开。
• 分数: 8

公理四：压缩公理 — 用更少任意性换更多解释力

• 判定: ✅
• 依据: 论文的核心压缩价值有两层：(1) 问题重构——把”通道拼接 + 局部对齐”重构为”统一序列 + 任意 lag 的跨模态长程依赖”，从信号处理角度给出 phase preserver 论证 (III-E 2)，这是真正的 reframing 而非换名。(2) 经验规律压缩——发现”伪造判别信息集中在 0–0.15 归一化频带，高频移除反而 +1.4%”，并用奈奎斯特定理把 stride 选择从超参数压缩为可由判别频带推出的派生量 (p=2 → f_N=0.25 > 0.15 留 margin；p=4 → f_N=0.125 < 0.15 aliasing)。这让 stride=2 不是”调出来的”，而是”算出来的”。组件不是装饰：modality embedding 在统一序列下 +19.7，在通道下 -2.4，有 synergy 证据 (表 III)。命名略有膨胀 (“UniSkip-Mamba” / “S-Mamba” / “Group-Scan-Merge” / “Unified Sequence” 同一系统多个术语)，但程度可接受。
• Wiki 证据: paper-wiki 中搜 “skip” 命中的是 FastSpeech / DiTFastAttn 等不相关 TTS 工作，无”skip-scanning as frequency regularizer”的等价记录；free-search “skip scanning mamba deepfake frequency-aware” 仅命中本文自身，无已发表等价机制。
• 分数: 8

公理五：效用公理 — 绝对值 / 相对提升 / 指标覆盖 / baseline 可靠性

• 判定: ✅
• 依据:
  • 绝对值: LAV-DF AP@0.95=63.4%（最严苛阈值），AV-Deepfake1M mAP=63.58%。在 AP@0.95 这种高门槛下达到 60%+，已是该 benchmark 上的可用水平。
  • 相对提升: LAV-DF +9.8% AP@0.95 vs UniCaCLF (前 SOTA, 53.6%)；AV-Deepfake1M +14.32% mAP vs DiMoDif。在多个 IoU 阈值上一致取胜（AP@0.5/0.75/0.9/0.95 全胜），不存在”只赢少数指标”。
  • 效率: 6× 推理加速 vs UMMAFormer，T=9216 时 97.4ms vs 600ms；最大 batch 56 vs 16 (3.5×)；内存 0.653GB vs 1.951GB。结论是 accuracy + speed + memory 三胜，属罕见。
  • 鲁棒性: 10 类扰动 5 级强度，stride>1 一致优于 stride=1 5–8% mAP；极端扰动下 stride=4 比 stride=1 1.4× 韧性。
  • baseline 覆盖: UMMAFormer、DiMoDif、UniCaCLF、TriDet、ActionFormer、ActionMamba、BA-TFD+ 均覆盖。但漏掉 AV-Deepfake1M++ (2507.20579) 的 baseline 数字——该文 2025-07 发布，含真实扰动评测，与本文鲁棒性章节直接竞争，未被对比。这是主要缺口。
  • 公平性: 用预提取特征 (TSN/BYOL-A/VideoMAE/Wav2Vec) “following previous works [34]”以保证特征对齐。但 stride=1 与 stride=2/4 用同一 backbone 同一训练 50 epochs，比较是公平的。
• Wiki 证据: paper-wiki 无 SOTA 记录；free-search 确认 UniCaCLF (2506.08493) 为 2025-06 同领域工作，本文 LAV-DF 数字 (63.4) 显著高于其报告 (53.6)。未找到任何已发表工作在 AV-Deepfake1M 上 mAP > 63.58。
• 分数: 8

公理六：新颖性公理 — 真实增量而非换名/拼装

• 判定: ⚠️
• 依据: 三个组件的真实增量需分别评估：
  1. Unified Sequence Fusion (沿时间维拼接而非通道维 + 可学 modality embedding) — 概念上接近 interleave/serialize 多模态序列的常见做法，不算强新机制，但在 TFL 子领域首次系统化 + 给出 phase preserver 的信号处理论证，且做了 Transformer 反事实对照证明它需要 Mamba 配合。属”机制不新、应用与论证新”。
  2. Skip-Scanning / Group-Scan-Merge — Group/Reshape/Permute/Reshape 的实现是工程级的标准张量操作；从 SSM 视角给出 Ā_skip = Ā^p 的指数衰减论证和奈奎斯特等效采样率论证，这一步是真正的机制解释，把”分组扫描”从效率 trick 提升为可设计的频率正则。这是论文最强的 novelty。
  3. 频域分析 (0–0.15 判别带) — 经验发现本身可靠，但”深度伪造判别信息在低/中频”这一现象在 face forgery 检测领域已有相关工作（free-search 命中 WMamba: Wavelet-based Mamba for Face Forgery Detection, OpenAlex W4406549316），本文未引用也未对比该线索是否在 AV-TFL 上首次发现。可能存在跨子领域的 prior art 未讨论。 整体是”机制 B (skip-scan + 频率解释) 强新 + 机制 A 中等新 + 机制 C 有未讨论的 prior art”，综合判 ⚠️。组件必要性由表 III 支撑（移除任一组件性能显著下降），未出现”A+B+C 简单拼装无 ablation”的失败模式。
• Wiki 证据: paper-wiki 无 skip-scan 等价记录；free-search 在 “skip scanning mamba … frequency-aware” 查询下仅命中本文自身。但 OpenAlex 命中 WMamba (Wavelet-based Mamba for Face Forgery Detection)——这是 face forgery 子领域的频域 Mamba 工作，本文 related work 与引用列表均未提及，是真实可能的 prior art。
• 分数: 6

公理七：可复现公理

• 判定: ⚠️
• 依据: 论文给出了详细训练配置 (PyTorch 2.1.2 / CUDA 11.8 / AdamW / lr=1e-4 / wd=0.05 / cosine warmup / 50 epochs / batch=16 / V100-32GB)，模型结构 [2,2,5] blocks、hidden C=512、stride ∈{1,2,4} 全部公开，特征提取器 (TSN/BYOL-A/VideoMAE V2-S/Wav2Vec 2.0 XLS-R-300M) 全部为公开预训练模型，数据集 LAV-DF 与 AV-Deepfake1M 公开可下载。扰动设置 “detailed in Supplementary”。但: (1) abstract / arXiv 页面未见代码仓库链接，未声明开源；(2) 鲁棒性扰动具体参数只在 Supplementary，本 review 无法访问 Supplementary 内容；(3) 频域 band-pass filter 的具体实现 (FIR/IIR、窗、阶数) 仅说 “detailed methodology in Supplementary”。在不读 Supplementary 的前提下，核心训练设置可复现，但鲁棒性 + 频域分析两个卖点需要 Supplementary 才能独立验证。
• Wiki 证据: paper-wiki 无记录；free-search 确认 AV-Deepfake1M 代码仓 (controlnet/av-deepfake1M) 公开，benchmark 可复现。本文自身代码开源状态未在 abstract / arXiv metadata 中声明。
• 分数: 6

总评

• 科学价值: 高 — 把”stride 选择”从超参压缩为奈奎斯特定理派生量，并给出 SSM 状态转移矩阵的指数衰减论证，是可迁移的机制级解释，不是单一 trick。
• 方法价值: 高 — 统一序列 + skip-scan + 分层 Mamba 的组合在两个公开 benchmark 上同时取得 accuracy / speed / memory / robustness 四胜，且消融能分离各组件贡献。
• 社区价值: 中 — AV-TFL 是活跃前沿，本文确立新 SOTA 并给出可复现训练配置；但未开源代码、未与 AV-Deepfake1M++ (2025-07) 同 benchmark 升级版对比、未讨论 WMamba 等频域 Mamba prior art，限制了它作为后续工作基线的可引用性。

主要不足:

1. 漏引 AV-Deepfake1M++ (arXiv 2507.20579, 2025-07)——该 benchmark 升级版含真实扰动，与本文鲁棒性主张直接竞争，应当对比。
2. 漏引 / 未讨论 WMamba (Wavelet-based Mamba for Face Forgery Detection) 等频域 Mamba prior art——影响 novelty 公理的成立边界。
3. skip-scanning 在主表 LAV-DF 上单点边际收益仅 +0.4 AP@0.95，与 title / contribution 列表对它的权重略不匹配；真正大增益来自 unified sequence + modality embedding 组合 (43.3 → 63.0)。
4. 代码开源状态未在 arXiv metadata 声明。

打分

加权总分: 7.05/10（加权分之和 67.0 / 权重之和 9.5） 最终建议: Weak Accept (6.5–8)

论文在对象真实性、独立性、压缩解释力、效用四条公理上稳居 8 分；在识别公理受 modality-embedding 反常负效应未充分解释 + 漏引 AV-Deepfake1M++ 拖到 6；在新颖性公理因漏讨论频域 Mamba prior art (WMamba) 拖到 6；在可复现公理因未声明代码开源 + 关键扰动/滤波器参数藏在 Supplementary 拖到 6。综合落在 Weak Accept 上沿，是一篇可接收的、有真实机制贡献的方法型论文，但作者若能在 camera-ready 中补 AV-Deepfake1M++ 对比、讨论 WMamba 等频域 prior art、并公开代码与 Supplementary，可稳升至 Accept 区间。