所有三次 OMC wiki 查询均未返回结果。OMC wiki 中没有关于此主题的记录。free-search 工具找到了关键的相关工作（Engel 等人的 DDSP [ICLR 2020]，Diaz 等人的 Differentiable Modal Resonators [ICASSP 2023]，Yu 等人的 Differentiable All-pole Filters [OpenReview]，以及 ESPRIT/matrix-pencil 经典方法）。paper-wiki 中没有相关记录。我已掌握足够的事实锚点来撰写审稿报告。现在开始生成结构化的 Markdown 审稿报告。

Paper Review: Band-Count Dense Modal Estimation with Fixed-Frequency Differentiable Resonator Refinement

论文类型: 方法型（混合：监督学习计数 + 可微局部细化，用于挑战赛 Task B）

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8
• 依据: 对象真实且必要。Task B of 1st DAFx Parameter Estimation Challenge 是公开 benchmark，要求从密集 plate-reverb 冲激响应中估计频率、衰减、增益和模态数。问题可操作化定义清楚（公式 1 给出 modal set 定义，公式 11 给出 local challenge-style error）。核心困难（弱模态/重叠模态导致稀疏 peak detection 严重 undercounting）在动机中具体论证：官方 baseline 平均识别 ~68 模态，而参考列表平均 5240–6072 模态——数量级差距。对象不是模糊概念。问题有社区价值（DAFx 是音频效果领域旗舰会议，Challenge 是社区驱动的）。
• Wiki 证据: OMC wiki 无记录。free-search 确认 DAFx 是真实会议（Proc. 29th Int. Conf. Digital Audio Effects, DAFx26），挑战赛仓库 https://github.com/LOGUNIVPM/1st-DAFx-Challenge 公开存在。对象真实性确认。

公理二：识别公理

• 判定: ⚠️
• 分数: 5
• 依据: 存在关键识别缺口。论文确实提供了 stage ablation（Table 1）：官方 peak picking (1.97) → total-count dense init (0.74) → +4× refinement (0.69) → band-count + 4× (0.67) → band-count + 8× (0.665)。这支持”count-first 是主要贡献”的因果归因。但存在三个问题：
  1. 未与强 baseline 比较：论文明确承认（Discussion 第 5 节）”official baseline comparison does not cover tuned peak picking, subspace or matrix-pencil estimation, or unconstrained differentiable fitting”。ESPRIT [4]、matrix pencil [5] 是该领域经典强方法，未做比较即归因于”count-first 优于 peak picking”——实际上可能只是优于未调参的 peak picking。
  2. 频率固定不优化：refinement 只更新 σ 和 g，频率固定在 dense grid 上。Table 3 显示频率误差 RE_f ≈ 0.31 是仅次于衰减/增益的误差源，但论文从未测试频率可移动是否能改善——这让”频率不需更新”的隐含 claim 未被验证。
  3. ExtraTrees vs RandomForest（Table 2）比较了，但未与最简 baseline（如恒定总数 = 训练集均值）比较 count estimator。
• Wiki 证据: OMC wiki 无记录。free-search 确认 ESPRIT (Roy & Kailath 1989) 和 matrix pencil (Hua & Sarkar 1990) 是 damped sinusoid 估计的经典强方法，论文引用了但未实验对比。

公理三：独立性公理

• 判定: ⚠️
• 分数: 5
• 依据: 训练数据和验证数据均来自同一公开 simulator（论文 Section 3 明确：”all development uses data generated by the public simulator”）。Validation 1 (8 responses) 和 Validation 2 (12 responses) 是分别生成的，但来自同一 simulator family。论文在 Discussion 中诚实承认”evidence is limited to small validation sets generated by the same simulator family, and both sets were used when selecting the correction bound”——即验证集参与了模型选择（八倍 bound 是在两个验证集上选的），这构成轻微的循环论证。实际挑战赛的 16 个 released responses 用的是隐藏标签，论文只报告了这些 response 上的运行时间和总模态数，未报告其上的误差。无独立人类校验，但任务性质（数值参数估计）使人类校验不必要。simulator 是公开的，降低了封闭性担忧。
• Wiki 证据: OMC wiki 无记录。论文自身披露的”both sets were used when selecting the correction bound”是主要独立性缺陷。

公理四：压缩公理

• 判定: ✅
• 分数: 8
• 依据: 方法体现了清晰的问题重构价值：将”variable-size modal estimation”分解为三个阶段——(1) 学习的 count prior（4 频段 mode count 预测），(2) 确定性 dense grid 初始化，（3）bounded 可微 refinement。这是一个有洞察力的分工：learned stage 供给结构（模态数），structured resonator model 校准连续参数。论文明确指出这”complements subspace methods that require a suitable model order and DDSP methods that optimize structured synthesizers”——即用 count prior 填补了 DDSP 框架在 variable-size 情况下的缺口。方法不是模块堆叠：372 维 descriptor → ExtraTrees → dense grid → 80 步 Adam，组件少且各有明确角色。无命名膨胀。诚实地报告了”频率固定”是当前限制。
• Wiki 证据: OMC wiki 无记录。free-search 确认 DDSP (Engel et al. ICLR 2020) 和 differentiable modal resonators (Diaz et al. ICASSP 2023) 是 prior art，本文的增量是在它们之前插入 learned count estimator——这是真实的方法论压缩。

公理五：效用公理

• 判定: ⚠️
• 分数: 5
• 依据: 效用存在但证据基础薄弱。绝对指标：local RE 从 1.97 降到 0.665，相对提升 ~66%。但：
  1. 验证集极小：Validation 1 仅 8 个 response，Validation 2 仅 12 个。在如此小的样本上，0.665 vs 0.674（4× vs 8× bound）的差异不具有统计显著性，论文未给任何置信区间或显著性检验。
  2. 绝对误差仍高：Table 3 显示衰减误差 RE_σ ≈ 0.69–0.70，增益误差 RE_g ≈ 0.82–0.85（满分 1.0，clipped at 1）。这意味着衰减和增益估计仍接近随机水平——论文承认”decay and gain remain the largest error sources”。
  3. 未与 SOTA 比较：free-search 找到 “Differentiable All-pole Filters for Time-varying Audio Systems” (Yu et al., OpenReview) 和 “Estimation with Low-Rank Time-Frequency Synthesis Models” (Févotte & Kowalski 2018) 等相关工作，均未做实验对比。
  4. 未报告官方隐藏标签分数：论文明确说”reported scores do not establish the challenge ranking”。
  5. baseline 只是官方默认 peak picking（6 dB prominence, 2 Hz spacing）——一个未调参的弱 baseline。
• Wiki 证据: OMC wiki 无 SOTA 记录。free-search 找到 Yu et al. (Differentiable All-pole Filters) 和 Févotte & Kowalski (Low-Rank Time-Frequency Synthesis) 作为潜在强 baseline，论文未对比。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 5
• 依据: 核心新颖性是”band-wise learned count prior + dense grid + fixed-frequency differentiable refinement”的组合。各组件来源清晰：
  • ExtraTrees (Geurts et al. 2006) — 标准 ML
  • DDSP (Engel et al. 2020) — 已有可微 DSP
  • Differentiable modal resonators (Diaz et al. 2023) — 已有可微模态共振器
  • All-pole resonator bank — 标准模态合成（Smith 2010, Bilbao 2009）
  • ESPRIT/matrix pencil — 经典参数估计

  真实增量在于将 count estimation 作为 variable-size modal fitting 的结构先验，这是一个有价值的重构。但论文未证明组件间有 synergy（如：为什么 ExtraTrees 优于简单的训练集均值 count？Table 2 只比了 RandomForest，未比最简 baseline）。组合的必要性部分论证（ablation 支持 count-first > peak picking），但”learned count prior”本身相对于”dense total-count”的增益较小（0.74 → 0.67，约 9% 相对提升），而 dense total-count initialization 才是主要贡献（1.97 → 0.74，约 62% 提升）——后者不需要任何学习。

• Wiki 证据: OMC wiki 无记录。free-search 确认 DDSP 和 differentiable modal resonators 是已有工作，本文增量是 count prior 插入。

公理七：可复现公理

• 判定: ✅
• 分数: 8
• 依据: 可复现性良好。simulator 公开（GitHub 链接给出）。方法用标准库（scikit-learn for ExtraTrees, PyTorch for autodiff）。训练数据由公开 simulator 生成，超参数全部给出（500 trees, min leaf 2, 600 training responses, 450/150 split, Adam 80 steps lr 0.02, λ = 0.02, 1024 freq samples, 4 bands with explicit boundaries）。初始化公式（6-7）和 refinement 公式（8-10）完整。运行时报告（M1 Pro, 6.51s refinement, 105.64s end-to-end）。未提及代码开源，但方法描述足够重建。无闭源依赖。主要限制是验证集仅 8+12 个样本且来自同一 simulator，独立复现者可生成自己的验证集。
• Wiki 证据: OMC wiki 无记录。论文自身的方法描述充分性确认。

日报摘要

• Strength: 将密集模态估计分解为”频段计数预测→稠密网格初始化→有界可微衰减/增益校准”三阶段，在两个合成验证集上将 local challenge-style error 相对官方默认 peak-picking baseline 降低约 66%，主要增益来自缓解模态计数严重低估（官方 ~68 模态 vs 参考 ~5240–6072）。
• Weakness: 仅与未调参的官方默认 baseline 比较，未对比 ESPRIT/matrix-pencil 等经典强方法或 Yu et al. differentiable all-pole filters 等近期工作；验证集仅 8+12 个样本且参与超参选择，衰减/增益误差仍达 0.69–0.85（接近随机水平），未报告官方隐藏标签分数。

总评

• 科学价值: 中 — 问题真实，方法重构有洞察，但因果识别不完整（未比强 baseline）。
• 方法价值: 中 — count-first + bounded refinement 的分工有价值，但 learned count prior 相对 dense total-count 的增益有限（~9%），主要增益来自不需要学习的 dense initialization。
• 社区价值: 中 — DAFx Challenge 参赛工作，公开了方法论思路，但未建立 challenge ranking，效用证据基础薄弱。

打分

加权总分: 5.16/10（加权分之和 56.5 / 权重之和 9.5） 最终建议: Borderline 5-6.5

附：工具执行记录

• PDF 下载: 成功（curl https://arxiv.org/pdf/2608.00667v1 → 398KB PDF，pdfplumber 提取全文 4 页）
• OMC wiki_query: 执行 6 次查询，全部返回 “No wiki pages match” — OMC wiki 无此领域记录
• paper-wiki search: 执行 3 次（concept/dataset/paper），全部无输出或 “not found”
• free-search: 执行 2 次，成功返回 DDSP (Engel et al. ICLR 2020)、Differentiable Modal Resonators (Diaz et al. ICASSP 2023)、Differentiable All-pole Filters (Yu et al. OpenReview)、ESPRIT (Roy & Kailath 1989)、Matrix Pencil (Hua & Sarkar 1990)、Low-Rank Time-Frequency Synthesis (Févotte & Kowalski 2018) 等相关工作
• wiki_ingest: 跳过（按用户指令不写回 wiki）