我已经掌握了足够的事实依据。已确认的关键基准如下：

• SonicGauss (arXiv:2507.19835, 2025年7月26日) — 最新的三维感知撞击声 SOTA，发表于 ACM MM 2025。这是本文的基础工作。
• Physics-Driven Diffusion Models (Su et al., CVPR 2023) — 撞击声扩散领域的重要先驱工作。
• RealImpact (Clarke et al., CVPR 2023) — 真实世界撞击声数据集。
• TangoFlux — 文本到音频生成模型。

注意：SonicGauss 发表于 2025年7月26日；而本论文日期为 2026年7月20日，两者相隔近一年，因此 SonicGauss 是已确立的基准，而非同期工作。

现在我将输出最终的评审。

Paper Review: FillGauss: Fine-Grained Filling-Aware Impact Sound Generation for 3D Gaussian Splatting

论文类型: 数据+方法型（新任务定义 + 新数据集 FillImpact + 新框架 FillGauss）

本论文同时提出新任务（Fine-Grained Filling-Aware Impact Sound Generation）、新数据集（FillImpact, 88 物体 / 5000+ 录音）和新方法（FillGauss），属于典型的”问题定义 + 数据 + 方法”三合一工作。按数据型和方法型双重尺子审查，对数据独立性和方法必要性要求更高。

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8
• 依据: 论文研究的对象——”内部填充状态对冲击声的调制”——是真实物理现象。作者在 Section II-B 引用了 Rayleigh、Kinsler、Fletcher/Rossing、Jaeger/Nagel 等经典声学文献，建立 added-mass effect、Helmholtz resonance、granular damping 三条物理机制。Figure 4 的 dataset 分析提供了经验锚点：归一化主频随 fill level 下降符合 f∝√(k/m)；衰减系数 α 在 rice vs water 间显著分离；spectral centroid 随 striker 硬度递增。这些是可操作化定义，不是模糊概念。任务定义清晰：输入 (G, p, striker, fill state) → 输出 y，且内部状态在视觉上被遮挡，确实无法从表面几何推断，问题必要性成立。场景（VR/交互游戏/机器人）真实，88 物体 / 6 类容器材料 / 3 类 striker / 2 类 fill material / 5 级 fill level 覆盖了合理范围。
• 不足：任务外延仍局限于”容器类”物体（瓶/碗/杯），非容器物体（如填充枕头、充气轮胎）未涵盖，但作者在 Limitations 中明确承认此边界，未过度声称 universality。
• Wiki 证据: OMC wiki 无记录。free-search 学术搜索返回 SonicGauss (2507.19835)、Physics-Driven Diffusion (2303.16897)、RealImpact (2306.09944) 等相关工作，确认该问题方向真实存在且有社区投入，但”filling-aware”维度确实是空白。声学物理文献（IOPscience 水瓶填充共振、MDPI 填充液位声学传感）证明填充态声学是真实工程问题。

公理二：识别公理

• 判定: ⚠️
• 分数: 5
• 依据: 关键变量隔离不够充分。(1) FillGauss 相对 SonicGauss 的改进同时来自三处变化：加入 fill-state 文本条件、加入 self-attention fusion、用 Huber 替代 MSE。Table IV 的 ablation 逐项消融了这三项，设计合理。但 (2) Table I 主表比较不公平：FillGauss 的 FAD=1.3500 输给 TangoFlux (FT) 的 1.0627，作者用” TangoFlux 缺乏 3D 空间感知”来解释，但 TangoFlux (FT) 收到了等价文本条件（Appendix B-2 明确说明把坐标转成”lower/middle/upper”文本、fill level 转成文本），因此 TangoFlux 的 FAD 优势并非来自”缺乏空间信息”，而是文本-to-audio backbone 本身更强。作者未控制 backbone 变量——FillGauss 用 TangoFlux 作为 denoiser 初始化，却输给纯 TangoFlux (FT) 的 FAD，这说明 3DGS 分支可能引入噪声而非信息。作者未诚实讨论这一反直觉结果。(3) SonicGauss (FT) 在 KL_sig 上赢 FillGauss（0.5750 vs 0.6977），作者只强调 FAD 而回避 KL 劣势。(4) IS 指标四方法几乎无差异（1.0062~1.0175），区分度极低，但仍被列为”量化指标”。
• Wiki 证据: OMC wiki 无记录。free-search 确认 SonicGauss 是 2025-07 的 SOTA baseline，发表于 ACM MM 2025，作者选择正确；但论文 Table I 只比了 2 个 baseline（SonicGauss + TangoFlux），未引入 Physics-Driven Diffusion (CVPR 2023) 或 RealImpact-based 方法作为第三 baseline，baseline 覆盖度不足。

公理三：独立性公理

• 判定: ⚠️
• 分数: 5
• 依据: 数据采集与评测存在中度循环。(1) FillImpact 数据集由作者团队自行采集（DJI Mic + Pocket 3），评测的 ground truth 来自同一数据集的 20% 测试 split——这本身可接受，但 (2) 人类主观评测（Table II/III）的 8 名参与者（正文）与 20 名参与者（Appendix C）数字不一致，且未说明参与者是否为作者团队成员、是否 blind to 模型身份。(3) Table III 的 Fine-grained Attribute Matching Rate 让人类从音频盲猜 5 个属性，但”正确答案”来自数据集标注，而数据集是作者自己标的——若标注本身有误差，人类匹配率上限不是 100% 而被压缩，但论文未报告标注者间一致性（inter-annotator agreement）。(4) FAD 用 VGGish（预训练外部模型）作为参考-free 评测，这一环独立，是正面点。总体：核心训练-评测闭环来自同一团队同一数据，但 FAD 指标有外部锚点，属于 major 但非 fatal 的独立性缺口。
• Wiki 证据: OMC wiki 无记录。free-search 确认 VGGish/FAD 是社区标准外部评测工具（Kilgour et al., Interspeech 2019），独立性成立；但未找到对该团队数据采集流程的独立第三方验证。

公理四：压缩公理

• 判定: ⚠️
• 分数: 5
• 依据: 架构是已有模块的组合，压缩价值有限。(1) 3DGS Encoder 直接采用 SplatFormer [34] 的 Point Transformer；(2) Position Encoder 是标准 NeRF positional encoding + MLP；(3) Text Encoder 是预训练 T5/Flan-T5（ frozen）；(4) Denoising Network 直接复用 TangoFlux 的 DiT；(5) Audio VAE 直接复用 Stable Audio Open [36]；(6) Self-attention + cross-attention fusion 是标准 Transformer 操作。真正”新”的只有：(a) 把 fill state 写进文本 prompt 这个 idea，(b) 把 position embedding 和 text embedding 拼接后做 self-attention 再让 3DGS 做 query 的两阶段 fusion 次序。Table IV ablation 显示去掉 cross-attention FAD 从 1.3500 恶化到 1.5623（+0.21），去掉 self-attention 恶化到 1.4111（+0.06），去掉 Huber 恶化到 1.4854（+0.14），Hard-code 恶化到 1.4936（+0.14）——组件贡献量级都在 0.06~0.21 FAD，相对 TangoFlux (FT) 的 1.0627 基线，这些增益的边际意义有限。命名”FillGauss”把 3DGS 包装成核心创新，但 3DGS encoder 是借用的，”filling-aware”本质是文本 prompt 工程。
• Wiki 证据: OMC wiki 无记录。free-search 确认 SplatFormer (2411.06390)、TangoFlux、Stable Audio Open、Flan-T5 均为已有工作，组件来源清晰，论文未声称这些组件是自创，但压缩性贡献（问题重构 / 经验规律 / 可迁移边界）除 Figure 4 的物理一致性验证外较弱。

公理五：效用公理

• 判定: ⚠️
• 分数: 5
• 依据: 绝对指标不容乐观。(1) FAD: FillGauss 1.3500，输给 TangoFlux (FT) 1.0627（差 0.287，相对差 ~27%），在主表最核心指标上未达 SOTA。作者辩称 TangoFlux 缺空间感知，但 TangoFlux (FT) 已通过文本收到等价空间信息（Appendix B-2），且 FillGauss 的 denoiser 本身就是 TangoFlux 初始化——这意味着加 3DGS 分支反而损害了 FAD。(2) MOS: FillGauss 4.43 vs SonicGauss (ZS) 4.50——零样本 SonicGauss 的自然度反而略高于 FillGauss，差异在标准差内（±0.65 vs ±0.76）。(3) Win Rate 69.6% 是唯一显著赢的指标，但 A/B 对比只对 SonicGauss/TangoFlux，未报告对 ground truth 的 win rate。(4) Attribute Matching（Table III）是真正体现 filling-aware 价值的指标：FillGauss 在 fill material 52.4%、fill level 59.5%，远高于 SonicGauss (FT) 的 31.0%/31.0% 和 TangoFlux (FT) 的 31.0%/28.6%——这是论文最强的效用证据，但绝对值仍 only ~50-60%，距离”高保真人类感知”差距大，作者在 Limitations 承认。(5) baseline 覆盖度不足：只比 2 个 baseline，未引入 Physics-Driven Diffusion (CVPR 2023) 或基于 RealImpact 的方法。
• Wiki 证据: OMC wiki 无记录。free-search 确认 SonicGauss 是 2025-07 SOTA，TangoFlux 是 2024 强 text-to-audio baseline，选择合理但不足；未找到 2026 年更新的冲击声生成 SOTA（该细分领域 baseline 池本身较小）。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 5
• 依据: 真实增量存在但偏薄。(1) “filling-aware impact sound generation”作为任务定义是真实新增维度——free-search 确认 prior work（SonicGauss、Physics-Driven Diffusion、RealImpact、Greatest Hits、ObjectFolder）均未建模内部填充态，这是真实空白。(2) FillImpact 数据集（88 物体、5000+ 录音、water/rice × 5 level × 3 striker）是首个 filling-aware 冲击声数据集，数据贡献成立。(3) 但方法层面：FillGauss = SonicGauss 架构 + 文本 prompt 扩展（把 fill state 写进 prompt）+ TangoFlux backbone。核心”创新”是把 fill material/level 编码进文本描述，这本质是 prompt engineering，而非新机制。Cross-attention fusion 次序（position+text → self-attn → 3DGS query）是微小架构调整。作者声称 “first model to seamlessly integrate 3DGS with internal state conditioning”——”internal state conditioning”实际就是文本 prompt，”seamlessly integrate”是叙事包装。(4) 同期工作判定：SonicGauss (2025-07) 与本文 (2026-07) 间隔 12 个月，不算 concurrent，因此 SonicGauss 是必须超越的 baseline，而 FillGauss 在 FAD 上未超越其 backbone TangoFlux。
• Wiki 证据: OMC wiki 无记录。free-search 确认 FillImpact 是首个 filling-aware 冲击声数据集（无 prior art），任务定义新颖性成立；方法组件均有 prior source（SplatFormer/TangoFlux/Stable Audio Open/Flan-T5），拼装性明显。

公理七：可复现公理

• 判定: ⚠️
• 分数: 6
• 依据: 部分可复现。正面：(1) 训练超参完整（RTX 4090, batch 15, 80 epoch, AdamW, lr 1e-4, linear schedule, Huber δ=1.0）；(2) 数据预处理流程明确（48kHz, Audio VAE, bounding-box 归一化到 [-1.5,1.5]³, 式 7-9）；(3) 数据采集设备型号公开（Revo Scan 3D, DJI Mic, DJI Pocket 3, Hunyuan 3D 2.1）。负面：(1) 未提及代码/模型 checkpoint 开源（abstract/conclusion/appendix 均无 GitHub 链接）；(2) FillImpact 数据集未明确开源协议——88 物体的 3D 扫描 + 5000 录音若不公开，方法无法独立验证；(3) 主观评测参与者身份（是否团队成员）与 8 vs 20 人数矛盾未澄清；(4) 3DGS 训练 10000 iteration 的具体 loss/regularizer 未详述。核心结果依赖自采数据集，若数据集不开源，可复现性严重不足。
• Wiki 证据: OMC wiki 无记录。free-search 确认 SonicGauss 有公开 GitHub (AiEson/SonicGauss) 和 HuggingFace 数据集，本论文作为 SonicGauss 的后续，若不开源将明显低于该 baseline 的可复现标准。

总评

• 科学价值: 中 — 填充态声学调制有真实物理基础，FillImpact 数据集的物理一致性验证（Figure 4）提供了可靠的经验锚点，但人类评测的 8/20 人矛盾和缺标注者一致性削弱了证据强度。
• 方法价值: 低-中 — 本质是 SonicGauss + 文本 prompt 扩展 + TangoFlux backbone，组件拼装为主，未提供新机制解释或可迁移经验规律。Ablation 增益量级（0.06~0.21 FAD）有限，且主表 FAD 输给自己的 backbone (TangoFlux FT)，方法贡献存在自我矛盾。
• 社区价值: 中 — FillImpact 作为首个 filling-aware 冲击声数据集，若开源将填补社区空白；任务定义清晰，有后续研究价值。但数据集开源未明确，价值待兑现。

日报摘要

• Strength: 提出首个 filling-aware 冲击声任务与数据集 FillImpact（88 物体/5000+ 录音），数据物理一致性经 f∝√(k/m) 等经典声学定律验证，fill material/level 属性盲测匹配率 52-60% 显著优于 baseline。
• Weakness: 主指标 FAD=1.3500 输给自身 backbone TangoFlux (FT) 的 1.0627（+27%），3DGS 分支可能引入噪声；方法本质是 SonicGauss+文本 prompt+TangoFlux 拼装，仅 2 个 baseline，代码/数据集未明确开源。

打分

加权总分: 5.37/10（加权分之和 51.5 / 权重之和 9.5） 最终建议: Borderline 5-6.5