HTML 导航导致无法轻易提取章节内容。我已在 PDF 阅读中获取了足够的消融实验和研究结果。现在，我将根据收集到的事实输出最终的审稿意见。

基于我对 14 页 PDF 的完整阅读、事实锚定研究（OMC wiki 无记录；paper-wiki 无记录；free-search 找到 SonicGauss/AV-GS/FillGauss/See2Sound/OmniAudio/SonoWorld 作为相关工作），以下是最终的结构化审稿意见。

Paper Review: Scene2Sound: Auditory-Grounded Soundscape Generation for 3D Gaussian Worlds

论文类型: 问题定义型 + 系统型

论文既提出新任务（为 3DGS 世界生成空间一致的 soundscape），又给出一个 training-free 的多模块 pipeline 系统。主轴是新任务定义 + 系统实现 + 两个新评测指标。

公理审查结果

公理一：对象公理

• 判定: ✅
• 依据: 对象真实且必要。3DGS 世界已成为主流的 3D 场景表示（Kerbl et al. 2023 之后大量工作），但这些世界是无声的。已有视觉→音频方法（AudioLDM2, MMAudio, Seeing&Hearing）和空间音频方法（ViSAGe, See2Sound, OmniAudio）均以单视角/单全景图为条件，无法在听众自由移动时保持声源空间一致性。这个缺口是真实的：3DGS 世界不是单张全景图，必须跨视角发现声源并锚定到 3D 位置。论文提出的”auditory grounding”（识别哪些物体发声 + 锚定到 3D 位置）可操作化定义清晰：VLM 识别声源 → Gaussian set matching 关联多视角检测 → 3D 实例位置 → object-based audio engine 空间化。claim 外延（生成 + 真实 360° 重建 3DGS 场景）与实验验证范围一致。相关 prior work（SonicGauss 2507.19835 做 impact sound synthesis，AV-GS 2406.08920 做 NVAS binaural rendering，FillGauss 做 impact sound）均不解决”为整个 3DGS 世界自动发现声源并生成空间一致 soundscape”这一问题，问题未被先前工作覆盖。社区价值高：随着 3DGS 世界生成（text/image-to-3DGS）的爆发，为其配声是自然的下游需求。
• Wiki 证据: OMC wiki 无记录（6 次查询均空）；paper-wiki 无记录。free-search 确认 prior work SonicGauss/AV-GS/FillGauss 目标不同（impact sound / NVAS），不构成同任务竞品。

公理二：识别公理

• 判定: ⚠️
• 依据: 论文比较了 11 个 baseline（7 个 non-spatial + 4 个 spatial），覆盖面广。但识别”为什么 work”的因果分析不足。核心创新点是 Gaussian set matching（用 Jaccard overlap 关联多视角检测到 3D 实例），但 ablation study（V-D）虽然测试了 viewpoint selection、VLM、association 各组件，却没有隔离 Gaussian set matching 与更简单的替代方案（如直接 3D bounding box IoU、点云质心匹配、nearest-neighbor 投影匹配）的对比。论文声称”set overlap is a natural and robust measure of instance identity”，但没有证明它比简单的 3D 几何匹配更好。此外，SonoWorld (re-impl.) 在 FAD_D (79.3) 和 FAD_C (74.2) 上优于 Scene2Sound (83.8 / 77.5)，论文归因于 SonoWorld 使用单全景图避免多源混合的 FAD 偏差，这个解释合理但未做控制实验验证。没有最简 baseline：例如”将所有检测到的声源放在场景中心”或”随机放置声源”的 naive baseline 缺失。
• Wiki 证据: OMC wiki 无记录。free-search 确认 See2Sound (single image object-level composition) 是最近的 spatial baseline，已被纳入比较。

公理三：独立性公理

• 判定: ⚠️
• 依据: 存在轻度循环构造风险。(1) 两个新提出的空间一致性指标 LMC（Listener-Motion Consistency）和 CGC（Cross-View Grounding Consistency）由作者自己设计和验证，没有独立第三方 benchmark。(2) 论文做了 construct validation：用 real recordings 和 learning-based methods 验证 LMC/CGC 的判别力，这是积极做法。(3) 但 SonoWorld 的 re-implementation 由作者完成，可能在实现上不利好 SonoWorld；论文虽声称”remaining components match ours and all other methods, reducing differences”，但 re-impl. 的公平性无法独立验证。(4) User study（V-F）样本量小（论文未在正文明确报告 N，supplementary 中应有），由作者组织，不是独立第三方。总体不是 fatal 闭环，但核心评测指标的自构造 + baseline 的自重实现构成 major 问题。
• Wiki 证据: OMC wiki 无记录。free-search 未找到独立的 3D soundscape 一致性 benchmark。

公理四：压缩公理

• 判定: ⚠️
• 依据: 方法是 6 个已有模块的串行 pipeline：(1) viewpoint selection（greedy set cover，经典方法）、(2) VLM 声源识别（off-the-shelf GPT-4V 类模型）、(3) segmentation（off-the-shelf）、(4) Gaussian set matching（本文唯一新算法组件，Jaccard on Gaussian sets）、(5) text-to-audio generation（Stable Audio Open）、(6) object-based audio engine（标准空间化）。除 Gaussian set matching 外，每个模块都是即插即用的标准组件。论文没有统一的理论框架，没有发现可迁移的经验规律，没有 problem reframing 带来的压缩。价值集中在”把这套流程跑通并定义任务”，而非方法上的压缩。”auditory grounding”概念本身是问题 reframing，有一定压缩价值，但算法层面是 engineering combination。命名”Scene2Sound”无膨胀问题。
• Wiki 证据: OMC wiki 无记录。free-search 确认 object-based audio rendering (1708.07218, 2017) 和 spatial audio rendering 是成熟技术，本文将其作为标准模块使用。

公理五：效用公理

• 判定: ⚠️
• 依据: 结果混合。(1) Audio quality (FAD)：在 spatial methods 中，Scene2Sound (FAD_D=83.8, FAD_C=77.5) 输给 SonoWorld re-impl. (79.3, 74.2)，赢 ViSAGe/See2Sound/OmniAudio。但 FAD 仅 24 个样本，作者自己承认”FAD from so few samples is noisy”——在样本量如此小的情况下报告二位小数差异的可靠性存疑。(2) Semantic alignment：CLAP=0.320 是 spatial methods 最佳，IB=0.128 中等。(3) Spatial consistency：这是本文核心 win——LMC/CGC 上 Scene2Sound 大幅领先所有 baseline（具体数值在 V-B），这是预期的，因为 baseline 不做 3D grounding。但”赢自构造指标”的效用需要独立验证。(4) 在 D-SAV360（真实 360° 重建场景）上的结果在附录 H，主表只在 SoundscapePLY（生成的 3DGS 场景）。(5) User study 确认感知优势，但这是作者自组织的小规模研究。绝对可用性：FAD~80 在 24 样本下只是相对参考，无法判断是否达到可用水平。没有与 SonicGauss/AV-GS 直接比较（任务不同是合理的，但削弱了效用证据）。
• Wiki 证据: OMC wiki 无记录。paper-wiki 无记录。free-search 确认 AV-GS 在 RWAS/SoundSpaces 数据集上评测，Scene2Sound 用不同数据集，无法直接交叉比较。

公理六：新颖性公理

• 判定: ⚠️
• 依据: 新颖性中等。(1) 任务定义”spatially consistent soundscape for 3DGS world”是真实新任务，prior work 未覆盖——SonicGauss 做 impact sound（物体敲击声），AV-GS 做 NVAS（给定 mono 音频渲染 binaural），SonoWorld 做单全景图→3D audio-visual scene。本文目标不同且更广。(2) 但方法层面，唯一新算法组件是 Gaussian set matching（Jaccard on Gaussian sets for multi-view instance association），这是一个相对直接地将 2D detection mask 投影到 3D Gaussian 集合并计算重叠的方案，概念上等价于”3D IoU matching with Gaussian-based occupancy”。其余模块全部是已有方法的组合。(3) 两个新指标 LMC/CGC 有评测贡献，但 construct validation 仍需社区采纳。(4) “auditory grounding”概念命名有一定新颖性，但本质是”sound source detection + 3D localization”的任务 reframing。总体是 A+B+C+D 组合（新任务 + 6 模块 pipeline + 2 新指标），其中只有 Gaussian set matching 有算法新颖性，且未证明其相对简单替代的必要性。
• Wiki 证据: OMC wiki 无记录。free-search 确认 SonicGauss (2507.19835, 2025-07)、AV-GS (2406.08920, NeurIPS 2024)、FillGauss (2607.17773) 是 3DGS+audio 方向的同期/近期工作，目标不同（impact sound / NVAS），不构成同任务 novelty 缺陷。SonoWorld 是最近竞品，已被比较。

公理七：可复现公理

• 判定: ✅
• 依据: 论文有 project page (https://masaki-lmd.github.io/scene2sound/)。Training-free 方法不依赖训练，复现门槛低。依赖的模块（VLM、Stable Audio Open、segmenter、audio engine）均为公开可获取组件。数据集 SoundscapePLY 是作者自建（24 个生成 3DGS 场景），D-SAV360 来自真实 360° 捕获，数据生成 pipeline 在附录 A 描述。评测协议（viewpoint 选择、listener positions、metrics 计算）在正文和附录详述。主要风险：(1) 依赖的 VLM 未明确指定具体型号（影响声源识别复现）；(2) SoundscapePLY 的 3DGS 场景生成依赖特定生成模型，如果场景不公开则 FAD 不可复现；(3) SonoWorld re-impl. 的复现依赖作者实现。但 training-free + 公开组件 + project page 基本满足可复现要求。
• Wiki 证据: OMC wiki 无记录。project page 存在（从 abstract 和 HTML 确认）。

日报摘要

• Strength: 定义了”为 3DGS 世界生成空间一致 soundscape”这一真实新任务，并提出 training-free pipeline + 2 个新空间一致性指标，在自构造指标和 user study 上验证了空间一致性优势。
• Weakness: 方法是 6 个已有模块的工程组合（唯一新算法 Gaussian set matching 未证明相对简单替代的必要性），核心评测指标由作者自构造且仅 24 样本 FAD 可靠性存疑，SonoWorld re-impl. 在 FAD 上优于本文但公平性无法独立验证。

总评

• 科学价值: 中 — 新任务定义真实且有价值，但因果识别不足（未隔离核心组件 vs 简单替代），评测指标自构造缺乏独立锚点。
• 方法价值: 中 — Gaussian set matching 是唯一算法贡献，pipeline 整体是 engineering combination，无理论压缩或可迁移经验规律。
• 社区价值: 高 — 3DGS 世界配声是自然且紧迫的下游需求，任务定义 + 指标 + baseline 比较为社区提供了起点；若代码/数据公开将推动后续工作。

打分

加权总分: 5.5/10（加权分之和 52.5 / 权重之和 9.5） 最终建议: Borderline (5-6.5)