Paper Review: Audio-to-Score Transcription using Pre-trained Features, Data Augmentation, and the New SheetSage-A2S Dataset

论文类型: 数据型 + 方法型（双重贡献）

论文同时提出新数据集 SheetSage-A2S（61h 流行音乐 lead sheet，**kern 编码，9468 clips）和对已有 A2S 架构的三项修改（Pre-Norm + FFN 1024、MuQ 冻结编码器、pitch/time 数据增强）。主要 baseline 为 Alfaro-Contreras et al. ICASSP 2024 [1]，Quartets 上 SER 15.3→4.98，SheetSage-A2S 上 SER 66.85→20.92。发表于 ACM MM 2026。

公理审查结果

公理一：对象公理

• 判定: ✅
• 依据: A2S 是 AMT 的真实子任务，将音频直接转为人可读乐谱，已被多篇 ICASSP/ISMIR 工作定义和追求（Benetos et al. 2019 [3]; Román et al. 2018-2020 [24-26]; Alfaro-Contreras et al. 2024 [1]）。现有 A2S 数据集（Quartets, Chorales, MuseSyn, RISM）全部是古典音乐 + 合成音频，流行音乐 + 真实录音的 A2S 数据集确实缺失。对象清晰、可操作化（**kern lead sheet 格式，SER 指标）。流行音乐 A2S 是有社区价值的真实问题。lead sheet（旋律+和弦）是流行音乐的标准记谱形式，对象真实必要。
• Wiki 证据: OMC wiki 无记录；paper-wiki 无记录。free-search 确认：(1) Alfaro-Contreras et al. ICASSP 2024 是当前 A2S SOTA，且仅研究古典音乐合成音频；(2) 所有现有 A2S 数据集均为古典+合成；(3) SheetSage (Donahue et al. ISMIR 2022) 是流行音乐旋律转录工作但输出非 **kern 乐谱格式，本文在其基础上构建 A2S 数据集填补真实空白。

公理二：识别公理

• 判定: ⚠️
• 依据: Table 2 提供了逐步 ablation：baseline → +1024-PreNorm → +MuQ → +Aug。在 Quartets 上，三个修改各自贡献可识别（15.3→8.48→7.16→4.98）。在 SheetSage-A2S 上同样可识别（66.85→53.7→25.39→20.92）。但存在以下缺口：(1) 训练超参数同时改变（Adam→AdamW, lr 1e-4→5e-5, batch 1→8, 加 weight decay 和 label smoothing），这些改变与架构修改混在一起，未单独消融。作者自己说”we primarily attribute the improvement…to the increased feedforward dimension”，但这是归因猜测，未隔离验证。(2) 没有 simple heuristic baseline（如最近邻匹配或音高直方图匹配）。(3) MuQ 是在 Million Song Dataset (MSD) 上预训练的，而 SheetSage-A2S 的流行音乐可能与 MSD 存在数据重叠，作者承认”quantifying this is non-trivial”但未做任何量化分离，这是识别公理的显著缺口。
• Wiki 证据: OMC wiki 无记录；paper-wiki 无记录。free-search 确认 MuQ (arXiv 2501.01108) 在 MSD 上预训练；MSD 是百万级流行音乐音频特征库，与 SheetSage 来源（HookTheory/YouTube 流行音乐）存在风格重叠风险，识别隐患真实。

公理三：独立性公理

• 判定: ⚠️
• 依据: (1) MuQ 在 MSD 上预训练，SheetSage-A2S 来自 HookTheory 流行音乐，两者风格域重叠。虽然 MuQ 是冻结的通用编码器（非针对 A2S 训练），但预训练数据与评测数据的潜在重叠构成轻微循环风险。作者承认此问题但未量化。(2) 数据集构建依赖自动化 pipeline（RMVPE pitch estimation + madmom beat detection + octave hypothesis selection），octave 正确性通过人工检查约 150 clips 验证（confidence > 0.2 的未见错误），但 9468 clips 中仅检查 ~1.6%，独立性锚点偏弱。(3) 评测指标 SER 基于 Levenshtein 距离，是客观计算，与训练目标（cross-entropy）独立，这一点满足。(4) ground truth 来自用户标注（HookTheory），存在标注变异性，作者诚实讨论了这一局限。
• Wiki 证据: OMC wiki 无记录；free-search 确认 SheetSage 原始标注来自 HookTheory 用户上传，非专家标注，标注质量变异是已知问题（Donahue et al. 2022 原文亦讨论）。

公理四：压缩公理

• 判定: ⚠️
• 依据: 方法由三个已知组件组成：(1) Pre-Norm + FFN 扩展是标准 Transformer 训练稳定性技术（Xiong et al. 2020 [35]），(2) MuQ 是现成预训练编码器直接替换 CNN encoder，(3) pitch-shifting + time-stretching 是 AMT 领域的标准数据增强（McFee et al. 2015 [21], Thickstun et al. 2018 [29]）。三个组件均为已有技术的直接应用，没有新的机制设计或问题重构。论文贡献更多是”首次将这些标准技术组合到 A2S 任务”，而非提出新方法。但数据集构建 pipeline（octave inference via 12-hypothesis selection + **kern conversion with enharmonic spelling rules）有一定工程压缩价值，包含了非平凡的音乐学决策（note spelling 基于 key signature, chord labelling via Harte syntax）。命名无膨胀。
• Wiki 证据: OMC wiki 无记录；free-search 确认 pitch-shifting/time-stretching 是 AMT 标准增强（多篇 ISMIR/ICASSP 使用）；Pre-Norm 是标准 Transformer 改进；MuQ 是现成模型。三个组件的”首次组合到 A2S”声称成立（作者称”we could not find A2S papers that use either pre-trained models or such data augmentation techniques”）。

公理五：效用公理

• 判定: ✅
• 依据: (1) Quartets 上 SER 4.98% vs baseline 15.3%，67.5% 相对降低，绝对值进入实用区间，显著且大幅超越 SOTA。(2) SheetSage-A2S 上 SER 20.92% 作为新数据集首个 benchmark，为社区提供基线。(3) 提升在两个风格完全不同的数据集（古典弦乐四重奏 vs 流行音乐人声 lead sheet）上均存在，说明 MuQ + 增强的增益非单一数据集特异性。(4) ablation 显示每步修改在两个数据集的所有指标上均改善，无 cherry-picking。(5) baseline 选择充分：直接对比当前 SOTA [1]，且在同一数据集、同一 split、同一 tokenisation 下比较，公平性较好。(6) 缺口：未与 YourMT3+ (Chang et al. 2024) 或 Zeng et al. IJCAI 2024 (hierarchical decoding piano A2S) 等近期 AMT/A2S 工作比较，但这些工作要么是 MIDI-level AMT 要么是钢琴专用，与本文 **kern lead sheet 任务不直接可比。
• Wiki 证据: OMC wiki 无记录；paper-wiki 无记录。free-search 确认 [1] Alfaro-Contreras ICASSP 2024 是当前 A2S SOTA；Zeng et al. IJCAI 2024 是钢琴 A2S 但输出非 **kern；YourMT3+ 是 MIDI-level AMT。baseline 覆盖对于 **kern A2S 任务来说是充分的。

公理六：新颖性公理

• 判定: ⚠️
• 依据: (1) 数据集 SheetSage-A2S 是真实新颖贡献：首个流行音乐 **kern A2S 数据集，使用真实录音而非合成音频，包含 lead sheet 格式（旋律+和弦）。这在 Table 1 中清晰展示与现有数据集的差异。(2) 方法新颖性弱：三个修改均为已有技术的直接迁移应用，无新机制、无新解释、无 synergy 验证（未测试组件交互）。作者未声称方法新颖，而是定位为”improve existing A2S approaches by using data augmentation and MuQ”。(3) octave inference pipeline 有一定技术新颖性（12-hypothesis grid search + confidence scoring），但这是数据工程而非方法论贡献。(4) 作为 ACM MM 数据型论文，数据集贡献是主要 novelty 来源，方法贡献是辅助。整体新颖性中等：数据集真实填补空白，方法是已有技术的合理组合但无机制创新。
• Wiki 证据: OMC wiki 无记录；paper-wiki 无记录。free-search 确认：无现有流行音乐 **kern A2S 数据集；MuQ 未被任何 A2S 工作使用过；A2S 领域无数据增强应用先例。数据集 first 声称成立。

公理七：可复现公理

• 判定: ✅
• 依据: (1) 代码、模型、数据集公开承诺：https://github.com/Multimodal-Music-Research-Lab/SheetSage2Kern_model。(2) 数据集不含版权音频，分发 **kern 标注 + YouTube 链接 + 预计算特征，可获取。(3) 训练细节充分：优化器 (AdamW, wd 1e-3, lr 5e-5, batch 8)、early stopping (patience 5, delta 1e-3)、label smoothing 0.1、采样率、增强参数 (pitch ±3 semitones, time {0.9,0.95,1.05,1.1}) 均给出。(4) 评测使用 greedy decoding + SER，脚本可通过 GitHub 复现。(5) MuQ 为公开模型 (tencent-ailab/muq on GitHub)。(6) 不依赖闭源 API。(7) 缺口：未提供训练 checkpoint，但可从代码和数据重新训练。总体可复现性高。
• Wiki 证据: OMC wiki 无记录；free-search 确认 MuQ 官方代码公开 (github.com/tencent-ailab/muq)；SheetSage 原始数据公开 (github.com/chrisdonahue/sheetsage-data)；a2s-transformer baseline 代码公开 (github.com/mariaalfaroc/a2s-transformer)。全部依赖项均可公开获取。

总评

• 科学价值: 中 — 数据集填补真实空白（流行音乐 **kern A2S），但方法贡献为已有技术的组合应用，无新机制发现。MuQ 对 SheetSage-A2S 的巨大增益（53.7→25.39）可能部分来自预训练数据与评测数据的风格重叠，识别不够干净。
• 方法价值: 低-中 — Pre-Norm + FFN 扩展 + MuQ 替换 encoder + 标准增强，均为直接应用，无方法论创新。但组合到 A2S 任务尚属首次，且 ablation 清晰。
• 社区价值: 高 — SheetSage-A2S 是首个流行音乐真实录音 A2S 数据集，61h / 9468 clips / **kern lead sheet 格式，代码和数据公开，为社区提供新 benchmark 和基线 (20.92% SER)。数据集构建 pipeline（octave inference, **kern conversion）可复用于后续工作。

日报摘要

• Strength: 提出首个流行音乐 **kern A2S 数据集（61h, 9468 clips, 真实录音），并在 Quartets 上将 SOTA SER 从 15.3% 降至 4.98%（67.5% 相对降低），数据集与代码完全公开。
• Weakness: 方法为三项已有技术的直接组合（Pre-Norm/FFN 扩展 + MuQ 冻结编码器 + 标准增强），无机制创新；MuQ 在 MSD 上预训练与 SheetSage-A2S 流行音乐存在风格重叠风险，未量化分离；训练超参数与架构修改混同消融不充分。

打分

加权总分: 6.58/10（加权分之和 63.5 / 权重之和 9.5） 最终建议: Weak Accept 6.5-8