自由搜索证实，目前没有关于遥感图像口语查询引用分割（spoken-query referring segmentation for remote-sensing imagery）的前序研究。已找到关键的 RRSIS 基线（CroBIM, LSCF, FIANet, SBANet, STDNet），它们与论文中作为对比基线使用的方法一致。现在让我来撰写最终评审。

论文评审：AeroReformer2: Spoken-Query Referring Segmentation for Aerial Images

论文类型: 问题定义型 + Benchmark 型 + 方法型

论文同时提出新任务/新基准（VoiceAeroRef）、新模型（AeroReformer2）及效率分析，以问题定义和基准为主要支撑。

公理审查结果

公理一：对象公理

• 判定: ✅
• 依据: 论文指向一个真实且可操作化的对象：语音驱动的遥感图像引用分割（spoken-query referring segmentation for remote-sensing imagery）。任务定义清晰——三元组 (I, a, M)，输入为航拍图像 + 语音波形，输出为掩码。动机真实：遥感分析员需要免提交互，现有 RRSIS 基准仅接受文本表达，无法测试口音、说话人、噪声对 grounding 的影响。语音查询无法被简单点/框替代（密集场景下歧义大），也无法被文本转语音后直接复用文本 pipeline 替代（论文明确论证了 acoustic variability 的重要性）。指标 mIoU/oIoU/Pr@τ 均为标准分割指标，与目标一致。Table 1 清晰定位了 VoiceAeroRef 与相邻数据集的差距：遥感领域尚无语音查询基准。free-search 确认无同类前序工作。对象外延（仅英文、仅 TTS 合成语音、仅 RISBench 源图像）与实验验证范围一致——论文未声称多语言或真人语音。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 有 wav2vec 2.0 条目但无 RRSIS 相关条目。free-search 在 arxiv/openalex/openreview/exa 四源中均未找到前序 spoken-query RRSIS 工作，仅返回本文自身及文本类 RRSIS 工作（CroBIM/RMSIN/RRSIS-D/NWPU-Refer/LSCF/FIANet/SBANet/STDNet）和自然场景音视频分割（Wnet/STBridge/Santos et al./OmniAVS），与论文 Table 1 定位一致。

公理二：识别公理

• 判定: ⚠️
• 依据: 论文提供了三种控制 baseline（Audio U-Net/FCN/DeepLabV3）使用相同 wav2vec 2.0 编码器 + 池化 FiLM 条件化，隔离了视觉分割架构变量。四个 RRSIS 模型（FIANet/SBANet/STDNet/LSCF）被音频适配，保持各自融合机制但替换文本 token 为语音 token，控制了 backbone（Swin-B）和 speech encoder。AeroReformer2-ResNet101 vs Swin-B 控制了 backbone 变量。消融实验（Table 7）移除了 post-fusion KLA、1/32 visual KLA、confidence gate，分别损失 4.50/1.01/0.27 mIoU。但存在缺口：(1) 缺少 1/4 refinement head 的消融实验——论文承认 “A matched ablation of the 1/4 head is not available”，而该 head 对 Pr@0.8/0.9 高重叠指标贡献显著；(2) 缺少 dual-scale vs single-scale SV-KLA 的消融；(3) 缺少 token-preserving vs pooled FiLM 条件化的直接消融（只有通过 baseline 间接对比）；(4) 所有 baseline 都是作者自行音频适配的，非原始作者实现，可能存在适配质量差异。核心 claim “token-preserving dual-scale fusion 是增益来源” 未能完全隔离——post-fusion KLA 的 4.50 点增益可能独立于 speech 融合机制。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 CroBIM[10]/LSCF[46]/FIANet[43]/SBANet[44]/STDNet[45] 为 RRSIS 领域活跃 baseline，论文覆盖了主要强 baseline。但论文未比较 RSRefSeg 2（OpenReview 上发现的基于 foundation model 的 RRSIS 方法）和 RemoteSAM（exa 上发现的遥感 SAM 适配），这两者可能构成更强 baseline。

公理三：独立性公理

• 判定: ⚠️
• 依据: 评测数据来自 RISBench 原始图像/掩码/表达，语音为 TTS 合成（非真人），评测指标为标准 mIoU/oIoU/Pr@τ（非 learned judge）。训练和测试使用不同语音分配（训练 8 voices per-epoch random，验证/测试 single voice balanced），clean validation 用于 model selection，hard test 使用 clean-selected checkpoint。这些设计避免了训练-评测闭环。但存在结构性问题：(1) 语音全部由 TTS 合成（Microsoft Azure Neural TTS，8 种口音-性别组合），非真人录音——TTS 合成语音的 acoustic variability 远小于真实野外语音，论文虽声称测试 accent/gender diversity，但 TTS accent 是受控的合成 accent，不能代表真实非母语口音或噪声信道；(2) hard test 的噪声（rotor/wind/mixed）为人工合成，非真实野外录音——论文承认 “does not model the acquisition platform of the source imagery”；(3) 语音内容与 RISBench 原始文本完全一致，无独立语音质量校验（如人类可懂度测试）；(4) 论文自己也声明 “Future work should collect synchronized speech from remote-sensing analysts”——承认当前语音非真实采集。这些使 benchmark 的生态效度受限：它测试的是 “TTS 合成语音 + 人工合成噪声下的 grounding”，而非真实部署场景。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 有 TTS 相关条目（Tacotron/FastSpeech/HiFi-GAN 等），间接确认 TTS 合成语音与真人语音之间存在已知 domain gap。

公理四：压缩公理

• 判定: ⚠️
• 依据: 方法整合了多个已有组件：bilateral segmentation（BiSeNet[29]/STDC[31]/ABCNet[30]）、kernel linear attention（Efficient Attention[32]/Linear Transformers[33]）、wav2vec 2.0 语音编码[34]、confidence gating（常见 token weighting）、FiLM 条件化[6]。SV-KLA 的核心数学（φ(Q)(φ(K)⊤V) 关联计算）直接来自 kernel linear attention 文献。论文未提出新的数学公式或新的机制，而是将上述组件围绕 “spoken-query RRSIS” 场景做工程集成。压缩价值部分存在：dual-scale SV-KLA + CGTM + 1/4 refinement 的组合有针对遥感小目标的设计逻辑（coarse localization → fine grounding → boundary restoration），且效率分析（Table 9: 1890× affinity state reduction）量化了设计选择的计算收益。但命名膨胀问题明显：CGTM（Confidence-Gated Token Memory）、SV-KLA（Speech-Visual Kernel Linear Attention）均为已有技术（token gating + kernel linear attention）的新命名，未引入新机制。论文也承认 “Rather than presenting bilateral segmentation, token gating, or linear attention as isolated inventions, the architecture integrates them”——这本身承认了组合性质。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 有 wav2vec 2.0 条目确认其为已有方法。free-search 确认 bilateral segmentation 和 kernel linear attention 均为成熟技术。

公理五：效用公理

• 判定: ✅
• 依据: 绝对指标：clean test 62.09% mIoU / 68.22% oIoU（Swin-B），hard test 54.09% mIoU。对于遥感引用分割这是一个合理可用水平（RISBench 文本 SOTA 通常在 60-70% mIoU 范围，语音条件下降到 62% 是合理的）。相对提升：vs 最强非本文方法 LSCF，clean mIoU +5.38 点、oIoU +2.08 点、hard mIoU +5.63 点。所有 7 个指标（mIoU/oIoU/Pr@0.5-0.9）在 clean 和 hard test 上均排名第一。指标覆盖：Table 6 的 9 个 hard 条件（3 干扰 × 3 SNR）中全部排名第一，margin 3.70-9.37 点。Baseline 可靠性：控制了 backbone（Swin-B）和 speech encoder（wav2vec 2.0），比较公平。效率：在 Swin-B 方法中内存最低、比 LSCF 快 10.9%。缺口：(1) 缺少与 RSRefSeg 2 / RemoteSAM 等基于 foundation model 的更强 baseline 比较；(2) 62% mIoU 意味着约 38% 像素分类错误，距离高可靠性部署仍有差距，论文诚实讨论了 hard set 上 8.00 mIoU 下降。整体来看，效用证据在测试范围内是全面的。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 CroBIM/LSCF/FIANet/SBANet/STDNet 为 RRSIS 领域近期活跃方法，论文覆盖了主要强 baseline。但 free-search 也发现了 RSRefSeg 2 和 RemoteSAM 等可能更强的 baseline 未被比较。

公理六：新颖性公理

• 判定: ⚠️
• 依据: 任务新颖性：full-sentence spoken-query referring segmentation for remote-sensing imagery 确为首次定义。free-search 在 arxiv/openalex/openreview/exa 四源中均未找到前序工作。Table 1 清晰展示了与 Wnet（视频）/Santos et al.（单词）/OmniAVS（多模态视频）的区别。这是真实增量。方法新颖性弱：AeroReformer2 的每个组件（bilateral path、kernel linear attention、token confidence gating、FiLM、wav2vec 2.0、high-res refinement head）均为已有技术。SV-KLA 是 kernel linear attention 在 cross-modal 场景的直接应用，CGTM 是标准 token gating 加 layer norm + SiLU。论文未提出新机制、新损失函数或新训练范式。组件协同性：dual-scale fusion 有一定设计逻辑，但消融实验未充分证明组件间的 synergy（只做了移除单个组件的 ablation，未做组件交互实验）。与前作关系：论文标题 “AeroReformer2” 暗示为 AeroReformer[2] 的续作，AeroReformer 已做 UAV referring segmentation，本文将其扩展到语音输入——这是增量扩展而非全新方法。综合来看，任务/benchmark 新颖性真实，方法新颖性弱（工程集成而非机制创新）。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 无 RRSIS 相关条目。free-search 确认无前序 spoken-query RRSIS 工作，支持任务首次性 claim。

公理七：可复现公理

• 判定: ✅
• 依据: 论文承诺代码开源（https://github.com/lironui/AeroReformer2），数据集开源（https://huggingface.co/datasets/lironui/VoiceAeroRef）。训练细节充分：40 epochs、AdamW、batch size 8、weight decay 10⁻⁴、cosine annealing、AMP、grad clip 1.0、学习率分层（2×10⁻⁴ for new params, 2×10⁻⁵ for Swin-B backbone）、frozen wav2vec 2.0 base、256-dim projected tokens、352×352 输入、8s 音频上限、0.5 mask threshold。TTS 声音配置完全公开（Table 3: 8 种 Azure Neural TTS voice 名称）。硬测试构造参数公开（3 干扰类型 × 3 SNR levels: 15/7.5/0 dB, ±1.5 dB perturbation）。评测指标公式给出（Eq. 16-18）。不依赖闭源 API（wav2vec 2.0 开源，Azure TTS 为可复现的云服务）。硬件配置明确（RTX 4070 Laptop, 8GB, PyTorch 2.13, CUDA 13.0）。唯一风险是 TTS 依赖 Microsoft Azure（可能有版本变化），但 8 种声音名称已固定，可复现性高。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 有 wav2vec 2.0 条目确认其为开源可用模型。

日报摘要

• Strength: 首次定义并构建了遥感图像全句语音查询引用分割基准 VoiceAeroRef（52,466 三元组，8 种口音-性别 TTS，9 条件硬测试集），AeroReformer2-Swin-B 在 clean/hard test 上分别达 62.09%/54.09% mIoU，全面超越所有音频适配 baseline（+5.38/+5.63 点 vs LSCF），且内存最低。
• Weakness: 语音和噪声均为 TTS/人工合成而非真实野外采集（论文自认 “should collect synchronized speech from analysts”），benchmark 生态效度受限；方法为已有组件（bilateral seg + kernel linear attn + token gating + wav2vec 2.0）的工程集成，缺少 1/4 refinement head 和 dual-scale vs single-scale 的消融实验，且未比较 RSRefSeg 2 / RemoteSAM 等基于 foundation model 的更强 baseline。

总评

• 科学价值: 中 — 任务定义清晰且为首次，但方法缺乏机制层面的新发现，组件必要性证据不完整。
• 方法价值: 中 — 工程集成有效且效率优势明确，但各组件均为已有技术，无新机制或新理论。
• 社区价值: 中高 — 填补了 spoken-query RRSIS 的基准空白，数据和代码开源，9 条件硬测试集为后续鲁棒性研究提供了可复用基础设施；但 TTS 合成语音的生态效度限制需后续真人语音验证。

打分

加权总分: 6.5/10（加权分之和 65.0 / 权重之和 9.5） 最终建议: Weak Accept 6.5-8