我已经收集到了足够的事实依据。现在让我来汇总这份评审。关键发现如下：

1. 先期工作 [2]：Namballa 等人于 2025 年在 ISMIR 上发表了文章《Do Music Source Separation Models Preserve Spatial Information in Binaural Audio?》——这正是本文的直接前身，提出了 Binaural-MUSDB 数据集，并在双耳 MSS 上评估了指标。
2. GCC-PHAT 的局限性：在语音/声源定位领域已有详尽记录（Knapp & Carter 1976; Donohue 等人 2007; Lee 等人 2020）——本文将此已知局限性迁移到了音乐领域。
3. AMBIQUAL：存在一种针对 ambisonic 空间音频的全参考客观质量指标（在 OpenAlex 中发现），但尚未针对双耳 MSS 进行评估。
4. 双耳 MSS 的感知研究：根据搜索结果，此前未有人进行过——这是本文的真正新颖之处。

现在让我来撰写这份评审。

Paper Review: Spacing Out: On the Reliability of Binaural Music Source Separation Metrics

论文类型: 分析型（附带 benchmark/evaluation 视角）

本文不提出新模型或新数据集，而是对已有双耳音乐源分离（binaural MSS）的评测指标进行感知相关性验证和失效模式分析。核心贡献是发现 ΔITD 指标在窄带乐器（bass）上因 GCC-PHAT 交叉相关峰塌缩而不可靠，并揭示 robustness-accuracy tradeoff。

公理审查结果

公理一：对象公理

• 判定: ✅
• 依据: 论文研究的对象真实且必要。双耳音频在 VR/AR 和沉浸式音乐中需求增长，MSS 模型在双耳音频上是否会破坏空间线索是真实问题。论文的前序工作 [2]（Namballa et al., ISMIR 2025）已指出 stereo MSS 模型在 binaural 上退化空间质量，本文进一步追问”我们用来评判的指标本身可靠吗”，这是一个合理的认识论追问——如果评测工具不可靠，前序结论也需打折。核心概念（ITD, ILD, SRR, SSR, GCC-PHAT）都有明确的可操作化定义（公式 1-7）。claim 外延与实验范围基本一致：论文未声称 general/universal，实验限于 Binaural-MUSDB 的 4-stem 场景（bass, drums, vocals），作者在 Conclusion 中诚实承认局限并计划扩展。
• Wiki 证据: OMC Wiki 无记录。free-search 找到前序工作 arXiv:2507.00155（同一作者团队，ISMIR 2025），确认问题来源真实。AMBIQUAL（OpenAlex W2892330131）存在针对 ambisonic 的空间音频质量指标，但尚未覆盖 binaural MSS，说明”binaural 空间指标缺乏感知验证”这一 gap 真实存在。

公理二：识别公理

• 判定: ⚠️
• 依据: 论文的核心分析逻辑是”指标与人类感知的一致性 = 指标可靠性”，这个识别框架基本合理：通过 pairwise comparison 收集人类偏好，再与指标排序比较（Figure 3）。但存在缺口：(1) 论文将 ΔITD 的低感知一致性归因于 GCC-PHAT 交叉相关峰塌缩至 0 lag，这一因果链有实验支持（Section 5 的 noise invariance 实验和 β 参数扫描），但未做正式的消融实验验证”峰塌缩是唯一原因”——也可能存在其他因素如 HRTF 个体差异、frame 长度选择等。(2) Bi-SCNet vs SCNet 的比较用于验证”指标能否检测 in-domain training 带来的改善”，这是一个合理的识别策略，但只比较了两个模型（加 Demucs 作为参考），baseline 覆盖偏薄。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 SCNet（arXiv:2401.13276）和 Demucs（Hybrid Transformers, ICASSP 2023）是当前 MSS 主流模型，但论文未与 Band-Split RoPE Transformer（arXiv:2309.02612）等同期强 baseline 比较。不过本文重点不是模型性能而是指标分析，这一缺口可部分原谅。

公理三：独立性公理

• 判定: ✅
• 依据: 评测的独立性较好。(1) 感知研究的人类被试不知晓模型身份（unlabeled outputs），有 hidden reference 和 attention check 双重质量控制。(2) 客观指标计算与感知实验完全独立——指标是信号处理公式，人类判断是主观偏好，两者构造过程不重叠。(3) Binaural-MUSDB 数据集由 HRTF（SADIE II database [13]）与 MUSDB18-HQ 合成，评测数据来源与模型训练数据同源，但这是前序工作 [2] 的设计，本文沿用是合理的。(4) IRB 审批（NYU IRB-FY2020-4157）增加了感知实验的规范性。轻微疑虑：26 名被试中”vast majority”是音频研究员或工程师，可能有专业偏见，但论文如实报告了这一事实。
• Wiki 证据: OMC Wiki 无记录。free-search 未发现该感知研究设计与评测指标存在循环论证的证据。前序工作 [2] 的 openreview 链接确认 Binaural-MUSDB 数据集是公开的，HRIR 来源（SADIE II）独立于模型训练。

公理四：压缩公理

• 判定: ⚠️
• 依据: 论文的分析框架有一定压缩价值：将”多个空间指标 vs 人类感知”压缩为一致率比较，并进一步追溯到 GCC-PHAT 的失效机制，形成”现象→原因→tradeoff”的分析链条。但存在以下问题：(1) GCC-PHAT 对窄带信号的失效是信号处理领域的已知结论（Knapp & Carter 1976 原始论文已讨论宽带假设；Clifford & Reiss 2013 [17] 在音乐延迟估计中讨论过类似问题；Lee et al. 2020 [16] 在语音定位中提出 mask 方案）。论文的 PHAT-β 和 masked GCC-PHAT 方案均直接来自已有工作 [19, 16]，并非新方法。(2) 论文将这些已知局限”重新发现”到 binaural MSS 场景，有一定经验压缩价值，但增量有限——核心结论”GCC-PHAT 不适合窄带分离信号”对信号处理研究者而言并不反直觉。(3) robustness-accuracy tradeoff 是真实发现，但论文未提出解决方案或更优指标，仅指出”需要更好的指标”。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 GCC-PHAT 的窄带失效和 PHAT-β 变体来自 Donohue et al. 2007 [19]，masked GCC-PHAT 来自 Lee et al. 2020 [16]。论文在 Related Work 中诚实引用了这些来源，但压缩增量主要在于”将已知局限映射到 binaural MSS 评测场景”。

公理五：效用公理

• 判定: ⚠️
• 依据: 作为分析型论文，效用标准是”现象是否可靠、解释是否可迁移、是否压缩已有经验”。(1) 现象可靠性：26 名被试的感知实验规模偏小（96 pairwise comparisons + 132 localizations），统计效力有限。73.08% 的多数一致率尚可但不强。ΔITD 的失效现象在 bass 上非常显著且可重复（Table 1 中所有模型 bass ΔITD 均为 476.19 μs，明显是塌缩值），这一发现可靠。(2) 解释可迁移性：GCC-PHAT 窄带失效的结论可迁移到任何使用 GCC-PHAT 评测窄带分离信号的场景，有一定迁移价值。但”binaural MSS 指标不可靠”这一结论主要对 binaural MSS 子社区有效，而该社区目前极小（主要由前序工作 [2] 的作者团队构成）。(3) 论文未提出替代指标或改进方案，utility 偏低。对社区的实际指导意义是”不要用 ΔITD 评测 bass 的 binaural 分离”——这是一个有用但范围很窄的建议。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 binaural MSS 是极小众研究方向，arXiv 上仅前序工作 [2] 和本文涉及该主题。SCNet 和 Demucs 是合理 baseline，但论文的感知实验仅比较 Bi-SCNet vs SCNet（同一架构、不同训练数据），未比较不同架构的模型，限制了指标区分能力的测试范围。

公理六：新颖性公理

• 判定: ⚠️
• 依据: (1) 本文与前序工作 [2]（同一作者团队，ISMIR 2025）高度连续。[2] 已提出 Binaural-MUSDB 数据集、评测了三个 MSS 模型、使用了 SRR/SSR/ΔITD/ΔILD 指标。本文在此基础上增加：(a) 一个感知研究验证指标与人类判断的一致性；(b) 对 ΔITD 失效原因的深入分析（GCC-PHAT 峰塌缩）；(c) PHAT-β 和 masked GCC-PHAT 的测试。(2) 感知研究验证 binaural MSS 指标是此前未有人做过的，这是真实的 novelty 增量。(3) 但 ΔITD 失效分析的各组件（PHAT-β, masked GCC-PHAT, noise invariance test）均来自已有工作 [19, 16, 17]，论文的组合是”已知方法 + 已知问题 + 新场景”，而非新机制或新方法。(4) robustness-accuracy tradeoff 的发现有一定新意，但论文未给出理论解释或解决方案，仅描述了现象。
• Wiki 证据: OMC Wiki 无记录。free-search 确认前序工作 arXiv:2507.00155 由相同作者发表，时间差约 13 个月（2025-06 vs 2026-07），不构成 concurrent work。PHAT-β（Donohue 2007）和 masked GCC-PHAT（Lee 2020）均为已有方法。感知验证 binaural MSS 指标是唯一真实增量。

公理七：可复现公理

• 判定: ✅
• 依据: (1) 代码：前序工作 [2] 有公开 GitHub 仓库（richa-namballa/binaural-mss，free-search 确认），SCNet 也有官方 GitHub。本文的 Bi-SCNet 训练基于 SCNet 默认参数，修改明确（禁用 scaling/channel flipping augmentation）。(2) 数据：Binaural-MUSDB 由前序工作 [2] 公开，基于公开的 MUSDB18-HQ 和 SADIE II HRTF 数据库合成。(3) 感知实验：demo 页面公开（https://richa-namballa.github.io/spacing-out-demo/），实验设计描述充分（筛选标准、stimuli 选择、统计方法）。(4) 指标计算公式完整给出（公式 1-7）。(5) 训练细节充分：4×Quadro RTX8000, 130 epochs, lr=5e-4, batch size=4, RMSE loss。轻微不足：感知实验的原始响应数据未公开，但实验设计描述足以复现。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 GitHub 仓库存在，demo 页面可访问。数据来源（MUSDB18-HQ, SADIE II）均为公开数据库。

总评

• 科学价值: 中 — 对 binaural MSS 指标的感知验证是真实的认识论贡献，但 GCC-PHAT 窄带失效是已知现象的迁移，理论增量有限。
• 方法价值: 低 — 未提出新方法或新指标，分析工具（PHAT-β, masked GCC-PHAT）均来自已有工作。
• 社区价值: 中 — 对极小众的 binaural MSS 社区有实用指导（避免用 ΔITD 评测 bass），但社区规模限制了影响范围。感知数据集和 demo 可复现是加分项。

日报摘要

• Strength: 通过 26 人感知实验首次验证 binaural MSS 空间指标与人类判断的一致性，发现 ΔILD 和 SRR 比 ΔITD 更可靠，并定量揭示 GCC-PHAT 在 bass（窄带）上交叉相关峰塌缩至 0 lag 的失效模式。
• Weakness: 核心分析工具（PHAT-β, masked GCC-PHAT）均为已有方法迁移，未提出替代指标或解决方案；感知实验规模偏小（96 comparisons），且与前序工作（同一团队 ISMIR 2025）高度连续，独立增量有限。

打分

加权总分: 5.79/10（加权分之和 58.0 / 权重之和 9.5） 最终建议: Borderline 5-6.5