我已经获取了完整的论文和所有必要的研究锚点。现在开始输出最终的结构化审稿意见。

论文审稿：Mind the Microphone Gap: Benchmarking Array Upsampling Strategies for Latent Acoustic Mapping

论文类型: 基准测试型

本文对 6 种上采样架构 × 3 种训练策略进行了基准测试，应用于 Latent Acoustic Mapping (LAM) pipeline，以解决从稀疏 4 通道阵列到 LAM 所需的 32 通道交叉谱矩阵 (CSM) 的映射问题。评估在 3 个数据集 (LOCATA, STARSS23, AudibleLight) 上进行，涵盖定位误差/召回率、CSM 保真度 (CMD) 以及计算效率。这是一种基准测试/分析型论文，而非新方法论文。

公理审查结果

公理一：对象公理

• 判定: ⚠️
• 分数: 6
• 依据: 该问题真实且动机明确：LAM (arXiv 2507.07066, Roman et al. 2025) 在 32 通道 Eigenmike 上运行，但现实世界的 SELD 系统通常使用 4 通道四面体阵列 (STARSS23, DCASE)。4×4 到 32×32 的 CSM 上采样问题定义清晰且可操作。CSM、定位误差、召回率和 CMD 均有标准化定义。

然而，该对象相对狭窄：这是一个针对单一现有方法 (LAM) 的工程问题，而非基础的声学挑战。该基准测试仅评估了 4→32 通道上的一种阵列降级 (tetrahedral → Eigenmike 子集)。文中未探讨其他阵列几何结构或其他下游任务。结论本身指出“未来的工作应探讨其他阵列几何结构是否能减轻上采样负担”，承认该对象具有偶然性。该问题在 LAM 框架内值得解决，但其通用科学意义有限——这是针对特定模型的超分辨率修复，而非针对稀疏阵列 DoA 的一般性方法。

• Wiki 证据: OMC Wiki 未返回结果。Free-search 确认 LAM 是一项非常近期的工作 (2025 年 7 月)，存在一个并发工作 (arXiv 2607.01295, Adamopoulou et al. 2026-07-01)，也在进行 CSM 上采样，确认该问题具有现实意义。之前的 XCycles 声学超分辨率 (arXiv 2105.09128, 2021) 解决了相关的波束成形超分辨率问题，但未针对 CSM 上采样，这证实了该特定对象的创新性。

公理二：识别公理

• 判定: ⚠️
• 分数: 5
• 依据: 实验设计将上采样架构作为主要因素进行隔离，LAM 从原始检查点初始化。三种训练策略 (distinct/aligned/end-to-end) 提供了清晰的控制变量。在 3 个数据集上进行的 6 种架构 × 3 种策略的比较设计是系统的。

然而，关键的有效原因并未完全隔离：

1. 在 aligned/end-to-end 设置中，上采样器架构和 LAM 微调同时发生变化。 当 aligned/e2e 在 AudibleLight 上优于 distinct 时，我们无法将多少改进归因于上采样器质量与 LAM 领域适应的区别。
2. 未与任何非 LAM 的 DoA 基准进行比较。 DeepWave (NeurIPS 2019, Simeoni et al.) 在引言中被提及为比较点，但从未在实验中作为基准使用。如果没有外部 DoA 基准，我们无法得知 LAM+上采样器是否具有竞争力，或者全分辨率 LAM 的 14.5° 是否本身就是该领域的强基线。
3. 没有消融实验隔离 CSM 复数值处理 (实部/虚部分离)，这是所有架构共有的设计选择。
4. 没有统计不确定性——论文在结论中明确承认了这一点 (“我们的定位测量未提供如方差或置信区间等统计不确定性的度量，限制了结果的统计稳健性”)。

• Wiki 证据: OMC Wiki 未返回结果。Free-search 确认 DeepWave (NeurIPS 2019) 是该领域公认的基准，但未包含在比较中。论文未引用在类似 LOCATA 基准上进行 DoA 的 SELD 系统 (PSELDNets, DeepASA)。

公理三：独立性公理

• 判定: ✅
• 分数: 8
• 依据: 评估独立性很强：
  1. 训练数据 (AudibleLight 合成 + EigenScape 真实) 与评估数据 (LOCATA tasks 1–4, STARSS23, 预留的 AudibleLight) 分离。STARSS23 明确排除在训练之外。
  2. DoA 评估使用 k-means 聚类 + SELD 指标，独立于训练损失 (MSE+TV)。
  3. CMD 诊断使用基准真值 CSM，不依赖任何模型内部状态。
  4. 无评判模型污染——所有指标都是确定性的物理度量 (定位误差、召回率、Frobenius 范数距离)。
  5. LAM 权重从原始发布版本初始化，未根据本文实验进行调整 (在 distinct 设置中)。

唯一轻微的顾虑：AudibleLight 同时用于训练和评估 (使用不同的训练/测试集划分)，但划分是清晰的 (0.89/0.11)，且 LOCATA/STARSS23 提供了完全独立的评估。

• Wiki 证据: OMC Wiki 未返回结果。Free-search 确认 LOCATA 和 STARSS23 是声学定位领域公认的独立基准，被广泛使用。

公理四：压缩公理

• 判定: ⚠️
• 分数: 5
• 依据: 该论文产生了两条有价值的压缩性见解：
  1. “模型复杂度不能预测定位质量”——SRCNN (63K 参数) 与 GAN (4.3M 参数，60 倍) 匹配或超越。这是一个反直觉的缩放规律发现。
  2. “训练策略比架构更重要”——distinct 训练最大化召回率，aligned/e2e 最小化误差，这种模式足够一致，表明这是 LAM 管道的结构属性。
  3. CMD 分阶段诊断解释了为什么 e2e 训练表现不佳 (上采样器漂移至 LAM 特定的表征) 是一个真正的机制性见解。

然而，该论文在压缩方面存在不足：

• 所有 6 种上采样架构都从图像超分辨率或 HRTF 超分辨率中原样导入 (SRCNN, DBPN, IMDN, SAFMN 来自图像 SR；AINN 来自声学；GAN 来自 HRTF)。没有任何架构是针对 CSM 设计的。该基准测试本质上是在测试“现成的 SR 网络 + 复数值适配”。
• 未提出新方法——这纯粹是一个基准测试。压缩价值仅在于见解，而非方法。

• 现有技术的命名较混乱——CSM 在某些地方被称为“图像超分辨率问题”，而未充分探讨复数值 Hermitian 结构是根本性的不同。

• Wiki 证据: OMC Wiki 未返回结果。Free-search 确认 SRCNN, DBPN, IMDN, SAFMN 均为标准的图像 SR 架构 (2015-2023)，在此处直接应用。AINN (Zhao & Ma 2024, JASA) 是唯一的声学专用方法。

公理五：效用公理

• 判定: ⚠️
• 分数: 5
• 依据: 结果在内部是一致的，但在绝对效用上较弱：
  1. 定位误差的绝对值很高： 最佳上采样配置 (SRCNN distinct on LOCATA: 15.6°) 接近全分辨率 LAM (14.5°)，但仅限于一个数据集。在 STARSS23 上，所有模型产生 54-64° 的误差——对于实际的 SELD 来说基本上不可用 (典型误差 <20°)。
  2. 召回率普遍很高 (0.84-1.00)，但这具有误导性——类不可知的评估加上 10° 合并阈值使得召回率容易人为偏高。
  3. 在 AudibleLight 上，最佳 e2e 模型 (SAFMN: 44.5°) 仍远差于全分辨率 LAM (25.3°)——在绝对意义上，上采样差距并未弥合。
  4. 没有与任何外部 DoA 基准进行比较 (DeepWave, 传统波束成形, MUSIC)——我们无法评估 LAM+上采样器是否具有竞争力。
  5. 结论本身承认“指标不支持对召回率饱和进行详细分析”，且“没有统计不确定性的度量”，限制了声明的稳健性。
  6. 该基准测试确实提供了清晰的相对排名，这对外 community 是有用的——如果 LAM 是目标管道，SRCNN distinct 是实用的建议。
• Wiki 证据: OMC Wiki 未返回结果。Free-search 确认 STARSS23 上的 SELD SOTA 通常达到 <15° 定位误差 (DCASE 挑战结果)，这使得该论文中所有模型在 STARSS23 上的 54-64° 看起来非常糟糕——但这反映了 4 通道硬件限制，而非模型失败。该论文未能结合此背景讨论其绝对数值。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 4
• 依据: 新颖性有限，且大部分是增量式的：
  1. 所有 6 种上采样架构均从现有工作中导入。 SRCNN (2015), DBPN (2018), IMDN (2019), SAFMN (2023), AINN (2024), GAN-HRTF (2024) 均非本论文原创。复数值 CSM 适配 (实部/虚部分离) 是标准的。
  2. 三种训练策略 (distinct, aligned, end-to-end) 是标准的迁移学习/微调协议，并非新发明。
  3. CMD 分阶段诊断是最具创新性的元素——在 LAM 的每个去噪步骤中跟踪 CSM 保真度是一个新的诊断工具，揭示了端到端漂移现象。
  4. “首次针对 LAM 的上采样基准”这一声明在技术上成立 (LAM 于 2025 年 7 月发布)，但这只是对一项非常近期工作的首次基准测试——该工作本身的创新性在于聚合，而非创新方法。
  5. 未引用并发的 CSM 上采样工作 (arXiv 2607.01295, Adamopoulou et al. 2026-07-01)，该工作也在进行麦克风阵列 CSM 上采样。这在 2 个月的窗口期内，因此不算严重的创新性缺陷，但该论文也忽略了早期的声学超分辨率工作 (XCycles, arXiv 2105.09128, 2021)，这本可以提供背景。
• Wiki 证据: OMC Wiki 未返回结果。Free-search 确认 arXiv 2607.01295 (2026 年 7 月 1 日，在 2 个月窗口期内) 是做“麦克风阵列协方差矩阵上采样”的并发工作——被视为并发，非创新性缺陷。XCycles (2021) 是未被引用的先前声学超分辨率工作。

公理七：可复现公理

• 判定: ✅
• 分数: 8
• 依据: 可复现性很强：
  1. 代码在 Zenodo 上发布 (10.5281/zenodo.19735049)，在论文中明确链接。
  2. LAM 源代码公开 (GitHub: adrianSRoman/LAM, CC BY 4.0)。
  3. 所有数据集均为公开的：LOCATA (IEEE SAM workshop), STARSS23 (NeurIPS 2023), EigenScape (Applied Sciences 2017)。AudibleLight 是作者之前的工具 (DMRN+ 20)。
  4. 训练细节明确：AdamW (lr=1e-4, wd=1e-4, clip=1.0), batch 32, early stopping 10 epochs, 9 频带 1.5-4.5kHz, 24kHz 采样率。
  5. 硬件规格明确：NVIDIA A100 40GB，10 次预热 + 10 次测量运行，中位数报告。
  6. 所有模型均有参数计数、GFLOPs、延迟和峰值内存报告 (表 1)。
  7. 许可证为 CC BY 4.0——完全可复用。

轻微顾虑：没有发布预训练检查点 (仅发布代码)，AudibleLight 合成参数未完全指定 (引用了之前的工具，但场景生成可能需要额外的配置)。

• Wiki 证据: OMC Wiki 未返回结果。Free-search 确认 Zenodo DOI 存在且链接。LAM GitHub 仓库存在 (9 stars, Python, CC BY 4.0)。

日报摘要

• Strength: 系统性的 6×3 基准测试产生了两个反直觉发现——SRCNN (63K 参数) 与 GAN (4.3M 参数) 匹配，且训练策略比架构更重要——并得到新颖的分阶段 CMD 诊断支持，揭示了端到端训练漂移。
• Weakness: 所有上采样架构均为导入的现成图像/HRTF SR 模型，没有任何针对 CSM 的设计；在 STARSS23 上的绝对定位误差为 54-64° (对实际 SELD 不可用)；未与任何外部 DoA 基准 (DeepWave, MUSIC) 进行比较；结果缺乏统计不确定性。

总评

• 科学价值: 中 — CMD 分阶段诊断是一个真正的机制性贡献；其余为增量式的基准测试。
• 方法价值: 中 — 系统的实验设计，但所有架构均为导入的，且无外部基准。
• 社区价值: 中 — 作为 LAM 上采样的实用指南很有用 (使用 SRCNN distinct)，但适用范围仅限于 LAM 框架。

该论文是一个扎实但有限的基准测试。其核心发现 (复杂度 ≠ 性能，训练策略 > 架构，端到端漂移机制) 具有价值且反直觉。然而，新颖性受限于所有方法均为导入的，绝对性能在 STARSS23 上不可用，且未提供外部基准背景。CMD 诊断是真正的方法论贡献。作为 IWAENC 2026 的研讨会论文，该贡献是恰当的；作为会议主论文，其影响力较弱。

打分

加权总分: 5.47/10 (加权分之和 52.5 / 权重之和 9.5) 最终建议: 临界状态 (5-6.5)