我已经获取了全文并建立了事实锚点。现在让我整理关键发现并输出评审意见。

研究阶段的关键发现：

1. 论文全文已获取：通过 arXiv HTML 端点获取了完整文本——涵盖了所有章节（引言、相关工作、包含 ADSM/OT-MM/跟踪器的方法论、包含所有表格的实验、消融研究、效率、讨论、结论）以及完整的参考文献列表。

2. OMC Wiki：所有 4 条查询均未返回结果——该主题暂无先验经验知识。

3. paper-wiki：未找到 AVIS 相关论文。找到了 Mamba 语音克隆论文 (2604.00292)、音频-视觉语音数据集 (2509.23833) 以及 OT 对抗流论文 (2511.22475)——这些都与 AVIS 方法论无关。

4. free-search 事实锚点：

   • AVIS 任务：由 Guo 等人于 CVPR 2025 (arXiv 2310.18709) 提出，包含 AVISeg 基准测试。任务真实且定义明确。
   • AVISM：Guo 等人于 CVPR 2025 提出的基准模型——本文的对比基准。
   • ACVIS：Seo 等人于 ICASSP 2026 提出——另一个近期的 AVIS 基准模型（2026 年 1 月左右发表）。
   • SeaVIS：Zhu 等人于 2026 年 3 月 (arXiv 2603.01431) 提出——用于在线 AVIS，是同期/稍晚于本文（2026 年 8 月投稿）的工作。
   • AVS-Mamba：Gong 等人于 2025 年 1 月 (arXiv 2501.07810) 提出——将 Mamba 应用于音视分割，但没有自适应步长调制。使用的是标准/时间 Mamba 扫描。
   • 针对跨模态匹配的最优传输 (OT)：这是一个众所周知的通用技术。OTSeg (2403.14183) 在零样本分割中使用了 Sinkhorn 注意力。然而，在 AVIS 中通过 RPP+TCP 先验进行 OT-MM 的具体形式似乎尚无先例。
   • MMD 正则化器：多模态对齐的标准技术，在此处用于 OT 损失之后。
   • Mamba 步长调制：Mamba 原始论文 (Gu & Dao 2023) 具有基于输入的选择性机制，但步长 Δ 并未根据跨模态状态进行自适应调制。在搜索中未发现先前的“自适应步长调制”工作。

现在让我生成最终的评审意见。

Paper Review: SAMOT: State-Aware Step Modulation and Optimal Transport Matching for Audio-Visual Instance Segmentation

论文类型: 方法型

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8
• 依据: AVIS 是一个真实且定义明确的任务（由 Guo et al. CVPR 2025 提出），要求在长视频序列中对发声物体进行分类、分割和跟踪。论文指出了两个真实存在的挑战：(1) 长序列中的模态状态变化（如声源切换、间歇性音频/视频），以及 (2) 音频和视觉模态之间的结构和分布差异。这些问题在实际场景（监控、多媒体分析）中真实存在。AVISeg 基准测试（平均时长 61.4 秒）提供了具体的操作化基础。概念定义清晰：模态状态变化通过时间变化得分和跨模态差异得分进行操作化定义；跨模态匹配被公式化为 OT 问题。论文声称外延与实验验证范围一致——在 AVISeg 上进行测试，涵盖了无声、单源和多源场景。
• Wiki 证据: OMC Wiki 对 AVIS 无记录。paper-wiki 无 AVIS 相关论文。free-search 确认 AVIS 任务由 Guo et al. (CVPR 2025, arXiv 2310.18709) 正式定义，AVISM 是首个基准模型，ACVIS (ICASSP 2026) 和 SeaVIS (2026.03) 是后续工作。任务有明确社区关注。

公理二：识别公理

• 判定: ⚠️
• 分数: 6
• 依据: 论文提供了模块级的消融实验（Table 2: ADSM/OT-MM 各自和联合贡献；Table 3: ADSM 内部 SP/DGR 消融；Table 4: OT-MM 内部 RPP/TCP 消融；Table 5: 替代扫描和 OT 策略比较）。变量隔离合理——每个模块独立添加，并测量了增量贡献。然而存在缺口：(1) 基线不一致——Table 1 中的 AVISM 是“官方基准基线”，而消融基线是“我们复现的框架配备了层次时间跟踪器但没有 ADSM 或 OT-MM”，两者数值不同（Table 1 AVISM FSLA=42.78 vs Table 2 基线 FSLA=45.56）。这意味着消融基线已包含了论文自己的层次时间跟踪器改进，而非纯 AVISM。这使得 ADSM 和 OT-MM 的增量贡献被部分归因于跟踪器。(2) 论文同时改变了架构（ADSM 替代标准 Mamba 扫描）和匹配机制（OT-MM 替代隐式 cross-attention），虽分别消融但未讨论它们与跟踪器的交互。(3) 缺少最简 baseline 的直接比较（如纯 cross-attention matching + 标准 Mamba 在同跟踪器下）。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 AVS-Mamba (Gong et al. 2025) 使用标准 Mamba 扫描用于 AVS，但不涉及 AVIS 任务，且无自适应步长。Table 5 确实比较了标准 Mamba 和 SS2D 扫描，提供了部分识别证据。

公理三：独立性公理

• 判定: ✅
• 分数: 8
• 依据: 评测使用 AVISeg 公开基准（由 Guo et al. 2025 构建），指标为 mAP、HOTA、FSLA（含 FSLAn/FSLAs/FSLAm 子指标），均为标准独立评测指标。训练数据和评测数据来自同一公开数据集，但数据构建和评测由不同团队（AVISM 原作者）建立。没有使用模型自身作为 judge，没有 synthetic pipeline 依赖。MMD 正则化是训练时 loss，不参与评测，无 reward-evaluation 重叠。t-SNE 可视化用于定性分析，不作为定量依据。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 AVISeg 是公开基准，评测协议由 Guo et al. (CVPR 2025) 定义，本文沿用相同协议。

公理四：压缩公理

• 判定: ⚠️
• 分数: 5
• 依据: 论文引入了多个模块：ADSM（包含 state perception: s_modality + s_diff、Delta Gating Router: 三分支 δ_v/δ_a/δ_h + λ 权重、step-size offset）、OT-MM（包含 cost matrix with RPP、TCP via previous transport plan、log-domain Sinkhorn、MMD regularizer）、Hierarchical Temporal Tracker（sliding-window + full-sequence Mamba）。整体框架从标准 Mamba + cross-attention 增加了至少 5 个新组件。每个组件都有消融验证贡献，但论文未证明这些组件是否是最简方案——例如，DGR 的三分支设计是否比简单的二分支更优？RPP 的相对位置先验是否比绝对位置更优（未对比）？MMD 是否可以替换为更简单的分布对齐 loss（如 KL 散度）？组件之间存在一定 synergy（ADSM 改善 FSLA，OT-MM 改善 HOTA/mAP），但整体复杂度较高，命名膨胀明显（ADSM、DGR、RPP、TCP、OT-MM 共 5 个新缩写）。方法是对已有技术的组合（Mamba + OT + MMD），而非问题重构或经验压缩。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 OT for matching（OTSeg 2024）、MMD for distribution alignment、Mamba for sequential modeling 均为已有技术。本文的组合是新的，但每个组件本身不是新发明。

公理五：效用公理

• 判定: ✅
• 分数: 8
• 依据: 在 AVISeg 基准上，方法在标准设置下超越 AVISM +3.29 FSLA、+0.85 HOTA、+2.28 mAP，在 MS-COCO 预训练设置下超越 +3.76 FSLA、+2.75 HOTA、+2.58 mAP。与 ACVIS (ICASSP 2026) 比较也有提升（标准：+3.20 FSLA、+0.49 HOTA、+0.71 mAP；预训练：+1.70 FSLA、+2.15 HOTA、+0.94 mAP）。提升在核心指标上全面取胜（FSLA、HOTA、mAP 均为最优）。在挑战性场景（FSLAn 无声场景、FSLAm 多源场景）上也有显著提升（FSLAn +5.55 vs AVISM，+16.07 vs ACVIS 标准设置）。效率分析（Fig. 7）表明参数量和 FLOPs 竞争力强。Baseline 覆盖了 VIS（6个）、AVS（5个）、AVIS（2个）三大类方法，覆盖度充分。但需注意：(1) 消融基线数值高于 AVISM 官方基线，说明跟踪器本身带来显著增益；(2) ACVIS 在 FSLAs 单源场景上略优（30.62 vs 29.83 标准设置），说明并非所有子指标全面领先。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 AVISM (CVPR 2025) 和 ACVIS (ICASSP 2026) 是当前 AVIS 的两个主要方法。SeaVIS (2026.03) 是在线 AVIS 方法，与本文离线设置不直接可比，且为同期工作（5个月内）。baseline 覆盖充分。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 6
• 依据: 论文的核心创新是将三个已有技术组合到 AVIS 任务上：(1) Mamba 的步长调制——Mamba 本身有 input-dependent selectivity (Gu & Dao 2023)，本文将其扩展为基于跨模态状态的步长调制。这个 idea 是合理的迁移，但“自适应步长”在 SSM 文献中并非全新概念。(2) OT-based matching——将跨模态匹配公式化为 entropy-regularized OT + Sinkhorn 是已知技术（OTSeg 2024 已在分割中使用 Sinkhorn attention）。本文的增量是加入 RPP（相对位置先验）和 TCP（时间一致性先验），以及 log-domain 数值稳定性。(3) MMD 正则化——标准的分布对齐技术。组件之间有互补性（ADSM 改时序、OT-MM 改匹配），消融证明了各自贡献。但没有提供组件必要性的严格证明（如：用 KL 替代 MMD 是否同样有效？用简单 gating 替代 DGR 三分支是否同样有效？）。整体 novelty 是“已有技术的新组合应用于新任务”，有真实增量但增量有限。
• Wiki 证据: OMC Wiki 无记录。free-search 确认：(1) Mamba 步长调制——未找到先前将 Mamba 步长与跨模态状态联动的先验工作，这是本文的原创贡献；(2) OT for cross-modal matching——OTSeg (2024) 已在分割中使用 Sinkhorn，但未用于 AVIS 的实例级跨模态匹配；(3) AVS-Mamba (2025) 使用 Mamba 但无步长调制。综合判断：ADSM 的跨模态步长调制有真实新颖性，OT-MM 的 RPP+TCP 在 AVIS 中的应用是增量创新，整体组合是新的。

公理七：可复现公理

• 判定: ✅
• 分数: 9
• 依据: 论文提供了代码和模型链接 (https://github.com/happylife-pk/SAMOT)。训练细节充分：ResNet-50 backbone、VGGish audio encoder、Mask2Former+VITA query learning、50,000 iterations、batch size 1、AdamW、RTX 4090。超参数全部列出：α=0.2, β=0.1, ε=0.01, γ=0.1, L=10, η=10⁻⁸，Mamba 设置遵循 VMamba。loss 权重均为 1.0。数据集 AVISeg 公开可获取。评测指标和协议明确（mAP、HOTA、FSLA）。不依赖闭源 API 或模型。定性可视化和定量消融均可复现。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 AVISeg 数据集和 AVISM 代码已在 GitHub 公开 (ruohaoguo/avis)。本文代码链接已提供。

日报摘要

• Strength: 在 AVISeg 基准上全面超越现有 AVIS 方法（+3.76 FSLA, +2.75 HOTA, +2.58 mAP），ADSM 的跨模态步长调制是真实原创贡献，消融实验充分验证了各模块贡献，代码开源可复现。
• Weakness: 框架由多个已有技术组合而成（Mamba+OT+MMD），整体复杂度较高（5个新模块/缩写），消融基线与主表基线不一致导致增量贡献难以精确归因，缺乏对组件最简替代方案的对比验证。

总评

• 科学价值: 中 — 识别了 AVIS 中模态状态变化和跨模态分布差异两个真实挑战，提供了 ADSM 这一有原创性的解决方案，但整体是对已有技术的组合应用，缺乏对“为什么这些特定组合是最优的”的深层解释。
• 方法价值: 中 — 在 AVISeg 上取得了全面 SOTA，模块设计合理且有消融支撑，但复杂度较高，未充分验证组件的最简性。
• 社区价值: 中高 — AVIS 是新兴任务（CVPR 2025 提出），本文是第三个主要方法（AVISM、ACVIS、SAMOT），代码开源，为后续研究提供了强 baseline。接受于 ACM MM 2026。

打分

加权总分: 7.05/10（加权分之和 67.0 / 权重之和 9.5） 最终建议: Weak Accept 6.5-8