现在我已经掌握了确凿的基准数据。关键发现如下：

1. REAL-T (Li et al., Interspeech 2025) — 音频 TSE 的真实对话混合数据，已直接被本文引用。
2. REAL-TSE Challenge (SLT 2026, arXiv 2607.15198) — 最新挑战赛，发表于 2026 年 7 月。
3. C²AV-TSE (2504.00750, 2025) — 上下文/置信度感知的 AV-TSE。
4. AV-GridNet (Pan et al., 2023) — 本论文直接引用的基准模型。
5. AV-HuMAR (Wu et al., 2024) — AV-HuBERT + 掩码恢复策略。
6. “Rethinking visual cues in AVSE” (2306.02625) — 探讨了视觉旁路问题。
7. Unified AV Cues for TSE (Interspeech 2024) — 统一音视觉线索方法。
8. PS4 (2607.08111, 2026) — 代理监督下的真实 TSE。

本文所探讨的“身份忠实度”（identity-faithfulness）问题（即视觉旁路：分离器忽略了视觉线索）在文献中已有论述，但 QIANGDA 提出在真实混合数据上进行双提示配对测试，确实是一种新颖的评估视角。

现在我已经有足够的信息来撰写评审了。让我汇总一下全文的发现：

全文关键观察：

• QIANGDA：77 个场景，7,598 个片段（11.84 小时），6,038 个可评估混合数据，12,076 行目标说话人数据。真实联合录制，3 个摄像机角度，3 个距离。普通话。
• VOXBLINK2-AVSE：基于 VoxBlink2 构建，250,828 对数据，28,421 个身份，766.17 小时。经过 DNSMOS 过滤（OVRL ≥ 3.3）。身份不相交的训练/开发集划分。
• 方法：冻结的 AV-HuBERT 视觉特征（1280 维），TF-GridNet 分离器，逐层 FiLM 调制，可选的说话人边际损失（speaker-margin loss）。
• 评估：使用 Qwen3-ASR-1.7B 计算 CER，使用 WeSpeaker ResNet34 计算说话人相似度，使用 WavLM OSD 进行重叠检测。基于 OSD 的严格身份评估。
• 消融实验：FiLM 对比无 FiLM（残留重叠从 63.85% 降至 12.45%），训练数据（VoxBlink2 对比 LRS3），GridNet 容量（6 对比 8 个模块），说话人边际损失。
• 最佳结果：0.2261 CER，82.22% 严格正确率，69.53% 双输出成功率。

现在我将撰写评审。

论文评审：基于 QIANGDA 和 VOXBLINK2-AVSE 的身份忠实音视频目标说话人提取

论文类型: 数据型 + Benchmark 型（数据集与 benchmark 联合论文，附带方法消融）

公理审查结果

公理一：对象公理

• 判定: ✅
• 依据: 论文研究的对象——音视频目标说话人提取（AV-TSE）中的身份忠实性问题——是真实存在的。Visual bypass（分离器忽略视觉线索，重复输出声学主导声音）是 AV-TSE 领域已被承认的失败模式（参见 “Rethinking visual cues in AVSE”, arXiv 2306.02625）。论文提出的 paired identity test（同一混合信号分别用 A 和 B 的视觉线索，期望得到不同说话人输出）是一个清晰、可操作化的评估视角。QIANGDA 的场景设计（真实双人同期录音、多视角视频、A-only/B-only 参考段）直接对应评估目标。VOXBLINK2-AVSE 作为训练语料也有明确的独立用途。问题在当前 AV-TSE 模型中广泛存在，且是下一代多模态系统的必要能力。不过对象范围有一定限制：仅 Mandarin、仅两人静止对话、仅 read speech，外延小于论文试图暗示的通用 AV-TSE 场景。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 搜索返回 AV-TSE 相关论文但无直接匹配。free-search 确认 visual bypass 问题已被关注（arXiv 2306.02625 “Rethinking the visual cues in audio-visual speaker extraction”），且 REAL-T（Interspeech 2025）已针对 audio-only TSE 提出真实混合数据 benchmark，本文将此思路扩展到 AV-TSE 是合理增量。

公理二：识别公理

• 判定: ⚠️
• 依据: 论文进行了多组消融实验，但因果识别存在缺口：(1) 论文承认最佳 checkpoint（no-speaker-loss, 0.2261 CER, 82.22% strict correct）的 “launch CLI was not fully preserved”，无法确定 speaker-margin loss 的因果效应——这是一个严重的识别缺陷。(2) matched training data（VoxBlink2 vs LRS3）的比较将训练数据身份多样性与录制条件混在一起，论文承认 “identity diversity and recording conditions remain confounded”。(3) input-only vs FiLM 的比较中 “checkpoints differ in training configuration and do not form a controlled ablation”。(4) 论文未与外部 SOTA 方法（AV-HuMAR, C²AV-TSE, AV-GridNet 原版）进行直接比较，仅做了内部消融。不过，ResNet no-FiLM baseline（0% speaker margin, 84.28% residual overlap）确实证明了 visual bypass 问题的严重性，且 FiLM 对 residual overlap 的效果（63.85% → 12.45%）方向明确。
• Wiki 证据: OMC Wiki 无记录。free-search 确认存在多个强 baseline（AV-GridNet, AV-HuMAR, C²AV-TSE），论文引用了 AV-GridNet 但未进行直接性能比较。

公理三：独立性公理

• 判定: ✅
• 依据: 评测链的独立性设计良好：(1) 内容评测用 Qwen3-ASR-1.7B，身份评测用 WeSpeaker ResNet34（训练于 VoxCeleb），二者架构和训练数据完全独立。(2) 训练中的辅助 speaker encoder 是 ECAPA-TDNN/SpeakerLab/CNCelec，与评测用的 WeSpeaker/VoxCeleb 不同。(3) QIANGDA 的录音和标注流程独立于训练数据。(4) OSD 模型（WavLM-based）独立于分离器和说话人模型。唯一的轻微重叠是 VoxBlink2-AVSE 训练数据与 WeSpeaker 评测模型都涉及大规模说话人数据，但二者来自不同源（VoxBlink2 vs VoxCeleb），且评测使用的是 QIANGDA 场景内参考，不依赖训练数据。
• Wiki 证据: OMC Wiki 无记录。论文本身明确说明了评测模型与训练模型的独立性。

公理四：压缩公理

• 判定: ⚠️
• 依据: 方法是已有组件的组合：TF-GridNet（Wang et al., 2023）+ 冻结 AV-HuBERT 特征（Shi et al., 2022; Su et al., 2026）+ FiLM 调制（Perez et al., 2018）+ ECAPA-TDNN speaker margin loss（Desplanques et al., 2020）。每个组件都是标准方法的直接应用，没有新的机制解释。论文没有提出新的架构设计原则或新的理论分析。FiLM 在每个 GridNet block 后注入视觉信息是一个合理的工程选择，但并非概念创新。论文的主要压缩价值不在方法，而在 benchmark 设计：将 AV-TSE 转化为 paired identity test，用一个简单的 “同一混合信号、两个视觉提示、期望两个不同输出” 的框架替代了传统信号重建指标，这是有价值的评估视角压缩。但方法本身是 standard engineering combination。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 FiLM (Perez et al., 2018) 是标准条件化方法，AV-HuBERT 特征已被多篇工作用于 AV-TSE（AV-HuMAR, C²AV-TSE）。

公理五：效用公理

• 判定: ⚠️
• 依据: 效用评估需要区分 benchmark 和方法两部分：

Benchmark 部分：QIANGDA 填补了 AV-TSE 缺乏真实混合 benchmark 的空白。现有 AV-TSE 评测主要使用合成混合数据（LibriMix, WSJMix），REAL-T 将真实混合引入 audio-only TSE，QIANGDA 将其扩展到 AV-TSE。benchmark 设计合理：多距离（0.5/1.5/3m）、多视角（30°/45°/60°）、场景内参考、paired identity test。但规模有限（6,038 mixtures, 11.84h）且仅覆盖 Mandarin read speech，不代表真实会议/对话场景。论文承认仅 “read Mandarin speech only, non-verbal vocalizations are excluded”。

方法部分：最佳结果 0.2261 CER 和 82.22% strict correctness 在绝对值上仍有明显差距——17.78% 的输出未能通过 strict identity test，且 this is on read speech only。论文未与外部 SOTA 直接比较。ResNet no-FiLM baseline 的 0% speaker margin 和 84.28% residual overlap 证明了 visual bypass 问题的严重性，也从侧面说明现有方法在真实混合数据上的表现远不如在合成数据上的报告结果。这个发现本身有社区价值。

VOXBLINK2-AVSE 作为训练语料的效用：766h 的 quality-filtered aligned data 是有价值的资源，但论文没有证明它比现有 AVSpeech（4700h）或 LRS3（438h）带来明确的训练增益——VoxBlink2 vs LRS3 的比较将数据质量和领域混在一起。

• Wiki 证据: OMC Wiki 无记录。free-search 确认 REAL-TSE Challenge (SLT 2026, arXiv 2607.15198) 是同期工作，说明真实混合 TSE benchmark 是活跃研究方向。AV-GridNet, AV-HuMAR, C²AV-TSE 等方法在合成数据上的 SOTA 结果未被本文引用比较。

公理六：新颖性公理

• 判定: ⚠️
• 依据: 新颖性需要分项评估：

QIANGDA benchmark：真实双人同期录音 + 多视角视频 + paired identity test 在 AV-TSE 领域是新的。REAL-T 做了 audio-only 版本，QIANGDA 是 AV 扩展。paired identity test（同一混合信号用两个视觉提示）是一个真实的新评估视角，不是已有方法的换名。✅

VOXBLINK2-AVSE：从 VoxBlink2 中 curate 训练语料并用 DNSMOS 过滤是工程贡献，但 curation 流程（audio-visual validity + DNSMOS filtering + speaker-disjoint split）是标准做法的组合，没有新的 curation 方法论。⚠️

方法：冻结 AV-HuBERT + TF-GridNet + FiLM + speaker-margin loss 是已有方法的组合，每个组件都有明确来源。AV-HuMAR 已用 AV-HuBERT 做 AV-TSE，AV-GridNet 已用 TF-GridNet 做 AV-TSE，FiLM 是标准条件化方法。本文的组合不是新的机制发明。论文未证明组件间的 synergy 超过各组件单独贡献之和。⚠️

整体新颖性主要来自 benchmark 的评估视角，方法新颖性弱。

• Wiki 证据: OMC Wiki 无记录。free-search 确认 AV-HuBERT 用于 AV-TSE 已有先例（AV-HuMAR 2024, C²AV-TSE 2025），TF-GridNet 用于 AV-TSE 已有先例（AV-GridNet 2023）。

公理七：可复现公理

• 判定: ⚠️
• 依据: 论文描述了详细的录音协议、数据处理流程、训练超参数（3-second segments, 16kHz, STFT 128-point/hop 64, 6 GridNet blocks/128 channels）。但存在以下问题：(1) 最佳 checkpoint 的 “launch CLI was not fully preserved”——核心结果的可复现性受损。(2) 论文未提及代码或数据是否开源。QIANGDA 和 VOXBLINK2-AVSE 的发布状态不明确（论文说 “We release” 但未给出 URL）。(3) 训练用 ECAPA-TDNN speaker encoder 和评测用 WeSpeaker/OSD 模型的具体版本需要明确。(4) 论文依赖多个外部模型（AV-HuBERT, M2S-AVSR, Qwen3-ASR, WeSpeaker, WavLM OSD, RetinaFace, FaceNet, TalkNet），复现需要精确匹配这些模型版本。如果数据和代码确实开源，可复现性可提升到 ✅，但论文中未提供明确的获取链接。
• Wiki 证据: OMC Wiki 无记录。论文未提供明确的代码/数据 URL。

日报摘要

• Strength: QIANGDA 是首个 AV-TSE 真实同期录音 benchmark，paired identity test 有效暴露 visual bypass 失败模式（ResNet no-FiLM baseline 0% speaker margin, 84.28% residual overlap），评测链使用独立模型（Qwen3-ASR CER + WeSpeaker similarity + WavLM OSD）设计合理。
• Weakness: 方法为已有组件标准组合（TF-GridNet + 冻结 AV-HuBERT + FiLM + ECAPA-TDNN margin loss），最佳 checkpoint 的训练 CLI 未保留导致 speaker-margin loss 因果效应无法确认，且未与外部 SOTA（AV-HuMAR, C²AV-TSE, AV-GridNet）进行直接性能比较。

总评

• 科学价值: 中 — visual bypass 问题的实证确认和 paired identity test 评估视角有科学价值，但方法的因果识别不完整。
• 方法价值: 低 — 已有组件标准组合，无新机制或新理论，消融实验存在控制变量缺陷。
• 社区价值: 高 — QIANGDA 填补 AV-TSE 真实混合 benchmark 空白，VOXBLINK2-AVSE 提供质量可控训练语料，如果开源将推动社区在真实场景评测上的进展。

打分

加权总分: 5.5/10（加权分之和 55.5 / 权重之和 9.5） 最终建议: Borderline 5-6.5

补充说明：论文的核心价值在于 QIANGDA benchmark 和 paired identity test 评估视角，而非方法创新。如果数据集和评测代码确实开源，且补充与外部 SOTA 的直接比较，论文价值可显著提升。当前方法的消融实验存在控制变量缺陷（最佳 checkpoint CLI 丢失、训练数据混淆、input-only vs FiLM 非受控比较），削弱了方法贡献的可信度。建议作者：(1) 确保数据和代码开源并提供 URL；(2) 重训 speaker-margin loss 的受控实验；(3) 补充与 AV-HuMAR/C²AV-TSE/AV-GridNet 的直接比较；(4) 讨论 QIANGDA 在非 Mandarin、非 read speech 场景下的可扩展性。