我已掌握足够的事实依据。关键发现：该论文发表于 ICASSP 2025，代码开源，未发现先前关于 Dense-Sparse DTW 的工作。基准测试很小（4 个乐章，150 个场景，1 位 pianist）。现在我将输出最终评审。

Paper Review: Dense-Sparse Dynamic Time Warping for Customizing Piano Concerto Accompaniments

论文类型: 问题定义型 + 方法型（双重）

论文同时提出 (1) 一个新的 score-free piano concerto 伴奏对齐任务与 benchmark，(2) 一个针对该任务的 DS-DTW 算法。两个贡献都需要审查。

公理审查结果

公理一：对象公理

• 判定: ⚠️
• 分数: 6
• 依据: 对象真实但范围极窄。问题真实存在：MMO 录音无法个性化、piano concerto 的 symbolic score 常不可得。但 benchmark 规模严重不足——4 个 concerto movements，1 位 pianist 每个乐章，仅 150 scenarios（靠 TSM 数据增强扩充）。”customize accompaniment to match their playing style” 的外延远大于 1 位 pianist 的 4 个乐章；无法从该 benchmark 推断方法对”不同 pianist 风格”的泛化。score-free paradigm 本身有独立价值（symbolic score 确实难获取），但 benchmark 无法支撑其声称的广度。与 PCD [27] 的区分合理（excerpt vs full movement，分离 vs 对齐）。
• Wiki 证据: OMC wiki 无相关记录。free-search 确认 ICASSP 2025 发表，HMC-MIR GitHub 开源；未发现先前 score-free concerto accompaniment benchmark。

公理二：识别公理

• 判定: ✅
• 分数: 8
• 依据: 因果识别清晰。DS-DTW 与 naive pairwise DTW 的唯一差异是 orchestra-side 的 frame sparsification + 双模式 DP；其余 pipeline（chroma、cosine distance、subsequence DTW、step constraints）完全相同。Table III 的 γ-sweep 直接证明 sparsification 是性能来源（γ=1.0 即标准 DTW，γ=0.8 最优）。比较公平：同一 chroma 特征、同一距离度量、同一 inference path。HDemucs baseline 额外引入训练好的分离模型，DS-DTW 无可训练参数，对比诚实。唯一缺口：γ 的选择（0.8）是在 benchmark 上调出来的，未讨论 test-time 自适应——作者自己承认这是 future work。
• Wiki 证据: wiki 无记录。free-search 未发现同类 ablation 研究。

公理三：独立性公理

• 判定: ⚠️
• 分数: 5
• 依据: 存在构造闭环风险。Puser 录音是 pianist 听着 Oacc 录音录制的——作者明确承认 “pianists were asked to play along to the Oacc recordings, so that their playing would be synchronized”。这使 Puser–Oacc 的 ground-truth 对齐在构造时就接近对齐，alignment error 可能被低估。虽然作者解释这是为了”enable other formulations involving source separation”，但这削弱了 benchmark 作为独立评测的效力。标注的 measure downbeats 是独立的人类标注，这部分独立。Mref 来自 IMSLP（独立来源），这部分也独立。但核心评测对象（Puser–Oacc 对齐）的生成过程与评测目标之间存在耦合。
• Wiki 证据: wiki 无记录。free-search 未发现对该 benchmark 独立性的第三方评论。

公理四：压缩公理

• 判定: ✅
• 分数: 8
• 依据: DS-DTW 是对标准 DTW 的真实压缩性改进。核心 idea：用 spectral flux 选择 orchestra 中”有定时信息”的 frames（onset/变化段），在 gap 区域用线性插值代替 dense alignment，避免了在 silence/rest 段引入 spectral mismatch 噪声。这是 problem reframing——把”align everything”重构为”align only where timing cues exist, interpolate the rest”。方法只需 1 个超参数 γ，无可训练参数，不依赖 instrument-specific 分离模型。相比 HDemucs（需要训练钢琴-乐队分离网络）或 ISA（迭代谱减+对齐），DS-DTW 用更少任意性获得可比或更好结果。双模式 DP（dense/sparse）是自然扩展，不是装饰模块。命名准确（”Dense-Sparse” 直接描述机制），无命名膨胀。
• Wiki 证据: wiki 无记录。free-search 确认无先前 “Dense-Sparse DTW” 或 “flux-based frame selection for DTW alignment” 工作存在。

公理五：效用公理

• 判定: ⚠️
• 分数: 5
• 依据: 绝对性能可用但数据极薄。DS-DTW 在 2s tolerance 下 0.6% error rate，1s 下 2.9%，看似优秀。但：(1) 仅 4 个乐章，每个 1 位 pianist，误差率基于很少的 annotated downbeats（未报告总数，但 Bach 仅 1 个 piano chunk）；(2) 在 0.1s tolerance（严格）下 53.1% error rate——说明 sub-second 精度远未解决；(3) 与 HDemucs 的比较在 0.1–0.5s 下差距很小（53.1 vs 55.4，29.9 vs 33.0，10.0 vs 10.7），DS-DTW 优势主要在 1–2s tolerance，即”全局对齐”而非”精确对齐”；(4) 作者诚实承认 DS-DTW 主要改善 global alignment。baseline 覆盖度：naive DTW、ISA、Spleeter+DTW、HDemucs+DTW——覆盖了 spectral-mismatch 的主要策略，但缺少基于 onset detection 或 chroma-onset 混合特征的 baseline（如 match-onset filtering + DTW），这是该领域常见做法。无用户主观评价。
• Wiki 证据: wiki 无 SOTA 记录。free-search 找到 Wang/Ewert/Dixon 2016 (arXiv:1604.08516) “Robust Joint Alignment of Multiple Versions”——一种多版本联合对齐方法，可能是遗漏的 baseline，但该工作针对 general music 而非 concerto-specific spectral mismatch。

公理六：新颖性公理

• 判定: ✅
• 分数: 8
• 依据: DS-DTW 是真实的方法创新，非换名/拼装。(1) “用 flux threshold 选择 orchestra frames，在 DTW 的 DP 中引入 dense/sparse 双模式” 这一组合在 free-search 和 paper-wiki 中均未找到先前工作；(2) sparse time series DTW [18,19] 关注的是”输入本身稀疏”的加速问题，而 DS-DTW 是”主动选择稀疏子集以提高对齐鲁棒性”——目标不同；(3) flux-based onset detection 是成熟技术，但将其与 DTW 的 DP 递推耦合（gap-length 感知的 transition weights）是新机制；(4) 标准 DTW 是 γ=1.0 的特例，这一理论关系清晰。缺口：flux selection 本身是已有技术，novelty 在”selection + DP coupling”而非全新组件。
• Wiki 证据: wiki 无记录。paper-wiki 中 DTW 相关论文均为 TTS 领域，无关。free-search 确认无先前 Dense-Sparse DTW 工作。

公理七：可复现公理

• 判定: ✅
• 分数: 8
• 依据: 可复现性高。代码开源 (https://github.com/HMC-MIR/PianoConcertoAccompaniment)，明确标注 ICASSP 2025。benchmark 数据和标注开源（除 MMO 录音版权限制——这是不可控外部因素，作者已说明）。算法描述完整：chroma 特征、cosine distance、flux 计算、γ 选择、双模式 DP 递推公式 (Eq. 1, 2)、backtrace 细节均有。TSM 用 Driedger et al. [28] 的 HPSS 方法，TSM factors {0.8, 0.9, 1, 1.11, 1.25} 明确。唯一缺口：chroma 的 frame rate / hop size / normalization 未在正文明确（可能依赖代码）。
• Wiki 证据: wiki 无记录。free-search 确认 GitHub 仓库存在。

总评

• 科学价值: 中 — DS-DTW 的”select informative frames, interpolate the rest”思想可迁移到其他 spectral-mismatch 对齐场景，但 benchmark 规模限制了结论的统计效力。
• 方法价值: 中高 — 用 1 个超参数、0 个可训练参数达到与训练过的分离模型可比的性能，压缩性好，机制解释清晰。
• 社区价值: 中 — 提供了首个 score-free concerto accompaniment benchmark 和开源代码，但 4 个乐章 + 1 位 pianist 的规模不足以支撑社区大规模后续研究。

日报摘要

• Strength: DS-DTW 用单一超参数 γ=0.8、无可训练参数，在 2s tolerance 下将 alignment error 从 2.7% 降至 0.6%（78% 相对降低），达到与训练过的 HDemucs 分离模型可比水平。
• Weakness: Benchmark 仅 4 个 concerto movements、1 位 pianist、靠 TSM 扩充到 150 scenarios；Puser 在录制时已对齐 Oacc，核心评测的独立性存在构造耦合；0.1s tolerance 下 53% error rate 表明精确对齐远未解决。

打分

加权总分: 6.7/10（加权分之和 65.0 / 权重之和 9.5） 最终建议: Weak Accept 6.5-8