事实锚点已建立。关键发现：

• T-Foley (arXiv 2401.09294, ICASSP 2024): CNN U-Net, 74.09M params, 官方 checkpoint 可用
• Mamba-Foley (arXiv 2409.09162, ICASSP 2025): Selective state-space, 58.81M params, 代码开源
• DiffWave (arXiv 2009.09761, ICLR 2021): WaveNet-style time-domain, 论文中配置为 12.58M params
• Dual-Path RNN (arXiv 1910.06379, ICASSP 2020, Luo et al.): 最初用于语音分离, 沿 intra-segment 和 inter-segment 双路径建模
• 搜索结果中发现 EzAudio (2409.10819) — 也提出高效 Diffusion Transformer for TTA; FreGrad — 轻量 diffusion vocoder; WavFlow — waveform-space audio generation
• 搜索未发现任何已发表的在音频生成中沿 subband+frame 双轴 attention 的工作

现在输出完整 review。

Paper Review: Exploring Efficient Waveform Diffusion Models for Foley Sound Generation

论文类型: 方法型

本文提出 Dual-Path (DP) 架构（DP-DiT / DP-U-Net）用于波形域 Foley 音效扩散生成，在 TF 域沿 intra-subband（时间轴）和 intra-frame（频率轴）双轴做 dimension-wise self-attention，以 3M 参数量逼近 50M+ 参数模型的性能。核心贡献是架构设计（方法型）。

公理审查结果

公理一：对象公理

• 判定: ✅
• 依据: Foley 音效生成是一个真实且有实际应用需求的任务（影视后期、游戏、VR）。波形域直接生成是一个清晰、可操作化的研究对象——不依赖中间表示（vocoder、latent codec），端到端建模。论文聚焦”compact and efficient waveform diffusion architectures”这一子问题，对象明确。现有波形扩散模型（T-Foley 74M, Mamba-Foley 59M）确实参数量大，探索轻量架构是合理的工程与科学研究方向。claim 的外延（在 DCASE 7 类和 FSD-Kaggle2018 41 类上验证）与实验范围一致，没有过度声称 universality。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 T-Foley (2401.09294)、Mamba-Foley (2409.09162) 均为 2024-2025 发表的 Foley 波形扩散模型，参数量确实在 50M+ 量级，验证了”现有模型参数量大”的动机。DCASE Challenge Task 7 是社区认可的 Foley 生成 benchmark。

公理二：识别公理

• 判定: ⚠️
• 依据: 论文比较了 4 个 baseline（T-Foley、Mamba-Foley、DiffWave、TF-DiT），覆盖了 CNN U-Net、Mamba、WaveNet-style、Transformer 四类架构。但存在以下缺口：(1) 缺少最简 baseline——没有报告朴素 CNN U-Net（无 Block-FiLM、无 recurrent unit）或简单 MLP 在同参数量下的性能，无法确认 DP attention 本身 vs. “更小的模型”哪个是关键。(2) 消融实验不充分——layer-wise ablation（Fig. 4）只移除单层的 attention 路径，但缺少”DP module vs. 无 DP 的纯 CNN U-Net 同参数量”的整体消融，即没有隔离”双轴 attention”与”U-Net 多尺度结构”各自的贡献。(3) TF-DiT baseline（21.39M）使用了 temporal-only attention，与 DP 模型不是同参数量比较（DP-DiT 3.27M），虽然方向不同但参数量差异大，公平性存疑。(4) Block-FiLM 从两层改为单层、AdaLN-Zero conditioning 等改动同时引入，未单独消融。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 T-Foley 使用 Block-FiLM 做时序条件控制，本文在此基础上修改为单层配置，但未消融此修改的贡献。

公理三：独立性公理

• 判定: ✅
• 依据: 评测使用标准指标：FAD（Fréchet Audio Distance，基于 VGGish 和 PANNs-CNN14 嵌入）和 E-L1（RMS 能量距离），均为领域内公认指标，不依赖作者自训练模型。主观评测由 9 位参与者在 5-point Likert scale 上独立评分，测试样本公开在 demo page。FAD 计算用 fadtk 工具包，embedding 模型（VGGish、PANNs）与训练模型无关联。训练数据和评测数据使用官方 train/eval 分割。未发现循环论证。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 FAD 是音频生成领域的标准指标，被广泛使用（Kilgour et al., 2018），VGGish 和 PANNs 是公认的特征提取器。

公理四：压缩公理

• 判定: ✅
• 依据: DP 架构的设计逻辑清晰——将 2D TF 特征图沿两个维度分别 reshape 做注意力，避免全 2D attention 的 O(FT²) 复杂度，同时保留了双向建模能力。这是一个从语音分离领域 Dual-Path RNN (Luo et al., 2020) 迁移到音频生成领域的合理 reframing，但做了实质性改造：(1) 从 RNN 换成 self-attention；(2) 从时域分离任务迁移到 TF 域生成任务；(3) 配合 U-Net 多尺度结构和 PixelShuffle 上/下采样。方法简洁，没有堆砌多余模块。Block-FiLM 单层化是合理的压缩选择。命名”Dual-Path”虽然沿用旧名，但在新领域有明确的新含义（intra-subband + intra-frame attention）。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 Dual-Path RNN (1910.06379) 原始设计用于时域语音分离，沿 intra-segment 和 inter-segment 双路径，与本文的 TF 域 subband/frame 双轴 attention 有本质区别。搜索未发现在音频生成中已有同样的双轴 attention 设计。

公理五：效用公理

• 判定: ✅
• 依据: 绝对指标：DP-U-Net 在 DCASE 上 FAD-V=5.34、FAD-P=27.48，远优于 Real Data 的 FAD-V=18.82（注意 Real Data FAD 是 train vs. eval 的 intra-dataset 距离，作为上界参考）。E-L1=0.009 是所有方法中最优。主观评测 Quality=4.07、Time Align=4.47，均为最高。相对提升：相比 T-Foley（74M），DP-U-Net（8.57M）在 FAD-V 上提升 47%（10.11→5.34），E-L1 提升 74%（0.035→0.009）。参数效率：3.26M 的 DP-U-Net Small 在 DCASE FAD-V=6.34 仍优于 T-Foley（10.11）和 Mamba-Foley（6.03 量级相当）。指标覆盖：同时报告了 E-L1、FAD-P、FAD-V、主观 Quality、主观 Time Align、RTF、GFLOPs、Memory，覆盖面广。在 FSD-Kaggle2018（41 类）上也全面取胜。不过需注意 DP-DiT（3.27M）的 RTF=31.06 极高（比 T-Foley 慢 12 倍），实用性存疑，但 DP-U-Net Small RTF=3.20 尚可接受。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 T-Foley 和 Mamba-Foley 是该领域最近的 SOTA（ICASSP 2024/2025），论文均纳入比较。EzAudio (2409.10819) 也关注高效 audio diffusion transformer，但面向 text-to-audio 而非 waveform-domain Foley，不构成直接 baseline 遗漏。

公理六：新颖性公理

• 判定: ⚠️
• 依据: 核心创新是将 Dual-Path 思想从语音分离迁移到 TF 域波形扩散生成，用 self-attention 替代 RNN，沿 subband 和 frame 双轴建模。这是一个跨领域迁移 + 实质改造，不算简单换名。但存在以下问题：(1) Dual-Path 概念本身已有 6 年历史（Luo et al., 2020），在语音分离/增强领域已充分探索；(2) TF 域 attention 用于音频生成并非全新——论文引用的 [9]（Ku et al., ICASSP 2025）已在 TF 域用 temporal attention 做语音生成，本文增加 frequency 轴 attention 是增量改进；(3) 两个变体 DP-DiT 和 DP-U-Net 分别是 DiT 和 U-Net 的直接实例化，架构层面没有超出已有范式；(4) 缺少对”为什么双轴 attention 比单一轴更好”的机制解释，只有经验性 ablation（Fig. 4）显示两条路径都有贡献，但没有分析为什么 frequency 轴贡献更大。总体而言，这是一个合理的工程改进，但新颖性有限。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 Dual-Path RNN (1910.06379) 已有 6 年历史；TF 域 attention for audio (Ku et al. ICASSP 2025) 已有先例。搜索未发现完全相同的 subband+frame 双轴 attention 用于音频生成的工作，确认核心 idea 尚未被直接发表，但组件来源清晰。

公理七：可复现公理

• 判定: ⚠️
• 依据: 正面：训练超参数详细（STFT window=510, hop=255, 500 epochs, AdamW lr=1e-4, 200 diffusion steps, linear schedule, CFG scale=1.2, 10% drop rate），模型参数量明确，数据集公开（DCASE、FSD-Kaggle2018），demo page 公开音频样本。T-Foley 和 Mamba-Foley 均有公开代码/checkpoint。负面：(1) 论文未提及是否开源代码——没有 GitHub 链接；(2) 9 人主观评测样本量偏小，未报告参与者背景和统计显著性检验；(3) FSD-Kaggle2018 的 test split 是”randomly choose 10 samples per class”——随机种子未指定，split 不可精确复现；(4) 未报告训练时长和硬件配置（推理用 V100 但训练硬件未说明）。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 T-Foley (github.com/YoonjinXD/T-foley) 和 Mamba-Foley (github.com/FurioColombo/mamba-foley) 代码开源，可复现 baseline。

日报摘要

• Strength: DP-U-Net 以 3.26M 参数在 DCASE 上 FAD-V=6.34、E-L1=0.009，全面优于 74M 参数的 T-Foley 和 59M 的 Mamba-Foley，参数效率提升 10-20 倍且主观评测 Quality=3.79/Time Align=4.30 仍领先。
• Weakness: 缺少同参数量的纯 CNN U-Net 最简 baseline 和 DP module 整体消融，无法确认双轴 attention 相对于”更小模型”本身的贡献；代码未开源，FSD-Kaggle2018 test split 随机种子未指定。

总评

• 科学价值: 中 — 将 Dual-Path 思想从语音分离迁移到 TF 域波形扩散生成，有合理的 reframing 价值，但缺少机制解释和严格因果隔离。
• 方法价值: 中 — DP 架构简洁有效，参数效率显著，但 DP-DiT 实用性差（RTF=31），且两个变体只是已有范式的实例化。
• 社区价值: 中 — 证明 3M 参数可实现 competitive Foley 生成，对资源受限场景有参考价值；但代码不开源降低可复现性。

打分

加权总分: 6.5/10（加权分之和 61.5 / 权重之和 9.5） 最终建议: Weak Accept (6.5-8)