我已经掌握了所有必要的信息。现在我来整理最终审查报告。

研究中的关键发现：

1. SOTA 排行榜 (SOTAVerified)：TF-Locoformer(L)+DM = 25.1, SepReformer-L = 25.1 — 两者均超过了本文中 TF-MossFormer(L) 的 24.4
2. SPGM (arXiv 2309.12608, ICASSP 2024) — 由相同作者（Shengkui Zhao, Bin Ma 等）撰写，已经确立了语音分离中局部特征的重要性
3. 论文中缺失的基线模型：TF-Locoformer+DM 变体，SepReformer
4. 表 1 标题拼写错误：写成了 “TF-MambaFormer” 而非 “TF-MossFormer”
5. 所有组件均来自现有工作：滑动窗口注意力 (Longformer)、Conv-SwiGLU (TF-LocoFormer)、双路径 TF (TF-GridNet)

Paper Review: TF-MossFormer: Integrating Convolution Gated Local-Global Attentions for Enhanced Time-Frequency Domain Monaural Speech Separation

论文类型: 方法型

公理审查结果

公理一：对象公理

• 判定: ⚠️
• 分数: 6
• 依据: 单通道语音分离（monaural speech separation）是真实、长期存在且社区投入巨大的问题。WSJ0-2Mix 是标准 benchmark，SI-SDRi 是标准指标，对象可操作化定义清晰。然而，论文的具体问题框架——”在 TF 域结合 local 与 global attention”——并非新问题。同一作者团队的前作 SPGM（arXiv 2309.12608, ICASSP 2024）已经明确提出”prioritizing local features for enhanced speech separation”，并证明 inter-block（global modeling）贡献极小，应将所有 transformer 层专用于 local feature modeling。TF-MossFormer 的动机与此高度重叠，只是将”local 优先”重新包装为”local+global 混合”，但未明确解释为何此前的 local-only 策略（SPGM 的结论）需要被修正。论文未讨论 SPGM 的发现与自身设计的张力。
• Wiki 证据: OMC wiki 无记录。paper-wiki 搜索”speech separation”返回 QuarkAudio（2512.20151）和 Metis（2502.03128），均为统一语音生成模型，非分离专用。free-search 发现 SPGM（2309.12608）为同一作者团队的直接前作，已确立 local feature 重要性。

公理二：识别公理

• 判定: ⚠️
• 分数: 4
• 依据: 论文有消融实验（Table 2 窗口大小，Table 3 local-global 排序 V1-V4），但效果差异极小：窗口大小在 22.38-22.61 之间（<0.25 dB），V1 vs V2 排序差异 0.16 dB，V4 去除 convolutional gating 仅下降 0.1 dB。这些差异接近训练随机性范围，难以强有力地支持因果归因。更严重的问题是缺失关键 baseline：SOTAVerified 排行榜显示 TF-Locoformer(L)+DM 达到 25.1 dB，TF-Locoformer(M)+DM 达到 24.6 dB，TF-Locoformer(S)+DM 达到 22.8 dB，而论文仅与非 DM 版本比较（L: 24.2, M: 23.6, S: 22.0）。SepReformer-L（25.1 dB）完全未被提及。缺失这些更强的 baseline 使得论文无法将性能提升归因于其架构创新而非训练策略差异（DM 是数据增强策略，与架构正交）。
• Wiki 证据: OMC wiki 无记录。free-search 从 SOTAVerified 获取完整 WSJ0-2Mix 排行榜，确认 TF-Locoformer+DM 系列和 SepReformer 均未被论文比较。paper-wiki 中未收录 TF-Locoformer（2408.03440）和 SepReformer。

公理三：独立性公理

• 判定: ✅
• 分数: 8
• 依据: WSJ0-2Mix 是标准数据集，train/val/test 分割固定，测试集说话人与训练集不重叠（non-blind evaluation）。SI-SDR 作为训练损失和评测指标的一致性是该领域的标准做法，不构成循环论证。评测不依赖任何闭源模型或主观 judge。训练与评测数据来源独立。
• Wiki 证据: OMC wiki 无记录。free-search 确认 WSJ0-2Mix 是社区公认的标准 benchmark，SI-SDRi 是通用客观指标。

公理四：压缩公理

• 判定: ⚠️
• 分数: 4
• 依据: 模型由多个已有组件拼装而成：(1) 双路径 TF 建模来自 TF-GridNet [12]；(2) Conv-SwiGLU 直接来自 TF-LocoFormer [14]；(3) 滑动窗口 local attention 来自 Longformer [15] / BigBird [16]；(4) global MHSA 是标准 attention [19]；(5) convolutional gating（Conv1D + Swish）是标准技术。论文未提出新的机制、新的问题重构或可迁移的经验规律。三个变体 V1-V3 只是已有模块的重新排序。命名上，”TF-MossFormer”是 MossFormer 系列的又一次迭代（MossFormer → MossFormer2 → TF-MossFormer），存在命名膨胀。Table 1 标题出现”TF-MambaFormer”笔误（应为 TF-MossFormer），暗示 copy-paste 来源。没有压缩价值——既没有用更少假设解释更多现象，也没有发现反直觉的规律。
• Wiki 证据: OMC wiki 无记录。paper-wiki 搜索”sliding window attention local global”和”SwiGLU convolution gated”均无结果。free-search 确认 Longformer（2020）和 BigBird（2020）是 sliding-window attention 的经典来源，TF-LocoFormer（2024）是 Conv-SwiGLU 的来源。

公理五：效用公理

• 判定: ⚠️
• 分数: 3
• 依据: 虚假 SOTA 声明。论文声称”establishes new state-of-the-art results with 24.4 dB SI-SDRi”，但 SOTAVerified 排行榜显示 TF-Locoformer(L)+DM = 25.1 dB 和 SepReformer-L = 25.1 dB 均显著超越此结果（差距 0.7 dB）。论文比较的 TF-Locoformer(L) 是无 DM 版本（24.2 dB），TF-MossFormer 的增益仅 0.2 dB，在有 DM 的版本面前实际落后 0.7 dB。在各 scale 上：(S) 22.6 vs SPMamba 22.5 = 0.1 dB 增益，可忽略；(M) 24.0 vs TF-Locoformer(M) 23.6 = 0.4 dB，但 TF-Locoformer(M)+DM = 24.6 dB；(L) 24.4 vs TF-Locoformer(L) 24.2 = 0.2 dB，但 TF-Locoformer(L)+DM = 25.1 dB。论文仅在 WSJ0-2Mix 单一数据集上评测，无 Libri2Mix、WHAM! 或真实噪声环境验证。论文声称”outperforming all frequency-domain competitors”但遗漏了同为 frequency-domain 的 TF-Locoformer+DM。核心指标上未全面取胜，且存在虚假声明。
• Wiki 证据: OMC wiki 无记录。SOTAVerified 排行榜（free-search 获取）确认真实 SOTA 为 25.1 dB，论文的 24.4 dB 排名约 #4-5。SepReformer-L 完全未被论文提及或比较。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 4
• 依据: 核心创新点是”content-aware sliding-window attention + global attention + convolutional gating”的组合，但每个组件均有明确先例：sliding-window attention（Longformer 2020, BigBird 2020），local-global 混合 attention（NLP: Longformer; CV: PLG-ViT, BiFormer），Conv-SwiGLU（TF-LocoFormer 2024），convolutional gating（标准技术）。论文坦诚承认了这些跨领域灵感，但未提供新的机制解释或问题重构。更关键的是，同一作者团队的 SPGM（ICASSP 2024）已确立”local features are more important than global features in dual-path models”这一发现，TF-MossFormer 的”local+global 混合”设计未解释为何放弃了 SPGM 的 local-only 结论，也未证明混合策略优于 pure-local。V1-V3 的消融仅显示 0.16 dB 差异，不足以支撑”local before global”作为一个新设计原则。属于 A+B+C 简单组合，组件必要性证明薄弱（gating 仅贡献 0.1 dB）。
• Wiki 证据: OMC wiki 无记录。paper-wiki 搜索”MossFormer”返回 MOSS-VoiceGenerator（2603.28086）和另一 TTS 论文（2505.17589），均非分离论文。free-search 确认 SPGM（2309.12608）为同一作者团队的直接前作，ICASSP 2024 发表，时间差距 >2 个月，不属同期工作。

公理七：可复现公理

• 判定: ⚠️
• 分数: 6
• 依据: 训练细节较为充分：STFT 参数（16ms 窗口，8ms hop）、优化器（AdamW, lr=1e-3, weight decay=1e-2）、batch size=4、150 epochs、gradient clipping=5、学习率调度策略均给出。使用 ESPnet 开源 pipeline。超参数表（Table 1）给出了三个 scale 的完整配置。但论文未提及代码开源链接或模型 checkpoint 下载地址。虽然作者团队历史上对 MossFormer/MossFormer2 有开源习惯，但本文未明确承诺。评测脚本和数据集（WSJ0-2Mix）均为公开可用。
• Wiki 证据: OMC wiki 无记录。free-search 确认 ESPnet 是开源 toolkit，WSJ0-2Mix 是公开数据集。TF-LocoFormer 有 GitHub 开源仓库（merlresearch/tf-locoformer）。

日报摘要

• Strength: 在 WSJ0-2Mix 上三个参数规模（5.9M/16.9M/25.4M）均取得 SI-SDRi 22.6/24.0/24.4 dB，在非 DM baseline 中表现一致，消融实验覆盖窗口大小和注意力排序。
• Weakness: 虚假 SOTA 声明——实际落后 TF-Locoformer(L)+DM（25.1 dB）0.7 dB，遗漏 SepReformer 和所有 DM 变体 baseline；组件均为已有方法拼装，与同一作者前作 SPGM 的 local-only 结论存在未解释的矛盾。

总评

• 科学价值: 低 — 未发现新的可迁移规律或机制解释，消融效果均在训练噪声范围内（<0.25 dB），无法有效隔离架构贡献与训练策略贡献。
• 方法价值: 低 — 各组件来自已有工作（Longformer sliding-window、TF-LocoFormer Conv-SwiGLU、TF-GridNet dual-path），组合未带来显著增量，convolutional gating 仅贡献 0.1 dB。
• 社区价值: 低 — 虚假 SOTA 声明误导社区，缺失 DM baselines 和 SepReformer 使比较不公平，单一数据集评测限制泛化性验证。

打分

加权总分: 4.6/10（加权分之和 44 / 权重之和 9.5） 最终建议: Weak Reject