我已经掌握了足够的研究背景。我已完整阅读了这篇 8 页的论文，并收集了以下事实依据：

1. OMR 领域：目前主要限于单声部和钢琴形式；多声部是一个真实存在的空白领域。
2. SOTA 基准模型：Zeus (LSTM seq2seq)、Sheet Music Transformer (SMT)、Legato (ICLR 2026, 基于 ABC 的大规模预训练)。
3. 相关数据集：PrIMUS、Capitan、Seils、FMT、Guatemala (单声部)、GrandStaff (钢琴形式)、Sheet Music Benchmark (SMB, 685 页)、DoReMi。
4. OSSQ-OMR 是首个多声部数据集：包含 116 个弦乐四重奏乐谱，24,544 个系统图像 / 98,172 个谱表图像，三种编码格式，以及合成的和扫描的版本。
5. OpenReview 上有一篇相关的递交给审稿记录 (“COMPARATIVE STUDY ON OPTICAL MUSIC RECOGNITION OF STRING QUARTET SCORES”) ——是同一作者，可能是早期版本。

现在我将输出最终评审。

Paper Review: A Dataset and Benchmark for Optical Music Recognition of String Quartet Scores

论文类型: 数据型 + Benchmark 型

论文同时提出新数据集（OSSQ-OMR）和配套 benchmark 协议与基线结果。以数据集为核心贡献，benchmark 为辅助贡献。按数据型 + benchmark 型联合审查。

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8
• 依据: 论文研究的对象——多声部 OMR——是真实存在且未被充分探索的问题。现有 OMR 数据集（PrIMUS、Capitan、Seils、FMT、Guatemala）均聚焦单声部音乐，GrandStaff 和 SMB 聚焦 piano-form，multi-part score transcription 确实缺乏合适的数据集。弦乐四重奏作为多声部音乐的代表性形式（四独立声部、宽音域、频繁换谱号），具有真实的研究价值。对象可操作化定义清晰：system-level 和 staff-level 图像、三种编码格式（LMXE、**kern、ABC）、synthetic vs scanned 双轨。claim 外延与实验验证范围一致——论文不声称解决所有多声部 OMR，而是聚焦弦乐四重奏。问题值得社区投入：多声部 OMR 是迈向完整 OMR 系统的必要步骤，论文明确指出未来可扩展到 orchestral scores。
• Wiki 证据: OMC wiki 无 OMR 相关记录（6 次 wiki_query 均返回空）。free-search 确认现有 OMR 数据集确实局限于单声部或 piano-form：PrIMUS (plainchant)、GrandStaff (piano)、SMB (685 页多类型但非 multi-part 专注)、DoReMi (universal but small-scale)。Legato (ICLR 2026) 是大规模预训练 OMR 模型但在 ABC 上训练，未专门处理多声部。对象真实性得到确认。

公理二：识别公理

• 判定: ⚠️
• 分数: 5
• 依据: 论文使用两个代表性 baseline（Zeus LSTM 和 SMT Transformer），并额外评估了外部 baseline Legato（无需微调直接推理），baseline 选择合理。但存在以下缺口：(1) 没有最简 heuristic baseline（如模板匹配或符号检测器）作为下界参照，无法判断 neural 方法的绝对优势；(2) 论文声称 “encoding choice substantially affects accuracy” 和 “part-level segmentation outperforms system-level”，但未隔离架构变量与编码变量的交互效应——34 个配置同时改变 encoding、tokenization、segmentation，缺乏系统消融来归因每个因素的独立贡献；(3) Zeus 在 scanned 上 degrade 2.6× less than SMT，但论文承认 “the architectural source of this gap is not isolated by these experiments”——即识别了现象但未识别原因。对于数据型论文，识别公理的要求可适当放宽，但论文仍应解释为何 LMXE 优于 **kern 和 ABC（是编码本身还是 tokenization 粒度？）。
• Wiki 证据: wiki 无记录。free-search 确认 Zeus [30] 和 SMT [11] 是当前 OMR 领域两个主要架构代表，Legato [33, ICLR 2026] 是最新大规模预训练模型。baseline 覆盖合理但非穷尽——未比较 CollabScore 等混合系统。

公理三：独立性公理

• 判定: ✅
• 分数: 8
• 依据: 数据集构建过程具有良好的独立性：(1) 源数据来自 OpenScore String Quartet corpus（社区编辑）和 IMSLP 扫描件（独立来源），二者独立；(2) 视觉对齐由作者手动完成（100+ 小时），Git 版本历史可审计；(3) 编码转换通过 round-trip verification 验证，排除有结构或重大音乐错误的样本（~5% **kern、~21% ABC 被排除）；(4) 评测指标 OMR-NED 基于 music21 符号空间和 musicdiff 工具计算，与训练目标（token-level cross-entropy）不同，不构成循环论证；(5) 四个随机 split 的 test set 互斥，score-level 分割防止泄漏。唯一潜在问题：segmentation pipeline 的 YOLOv8 模型在 OSSQ-OMR 页面上训练（47 页用于 system detection，1440 张系统图用于 staff detection），这些标注由作者审查，但未独立验证。对于数据型论文这是可接受的——标注者是数据集创建者而非评测第三方。
• Wiki 证据: wiki 无记录。free-search 确认 OMR-NED 由 Sheet Music Benchmark [34, ISMIR 2025] 提出，是独立于本文的标准化评测工具，增强了评测独立性。

公理四：压缩公理

• 判定: ⚠️
• 分数: 6
• 依据: 数据集构建流程包含了大量工程组件：MuseScore 编辑对齐 → YOLOv8 三阶段分割 → MusicXML 清洗 → 三格式转换 → round-trip 验证。每个组件都是标准工具（YOLOv8、MuseScore 3.6.2、converter21、kernpy），组合合理但复杂度高。LMXE 编码是论文的一个设计贡献——扩展 Linearized MusicXML 以支持多声部，引入 part tokens 和 measure-wise encoding order，这是对已有格式的有意义改进（有 ablation LMXE-P 证明 measure-wise 优于 part-wise encoding order）。但论文整体未提出新的方法论压缩——它是数据集+benchmark 论文，价值在于提供基础设施而非方法创新。9 种 tokenization 方案的评测覆盖面广但缺少理论解释为何 BPE 在 OMR 中不如 character-level（论文仅观察现象）。命名无膨胀问题。
• Wiki 证据: wiki 无记录。free-search 确认 LMXE 基于 Linearized MusicXML [30] 扩展，**kern 和 ABC 是成熟格式。三格式组合在 OMR 数据集中首次出现，有一定压缩价值（统一不同 score type 的词汇表）。

公理五：效用公理

• 判定: ✅
• 分数: 8
• 依据: 数据集规模合理：24,544 系统图像 + 98,172 谱表图像，116 个乐谱，47 位作曲家，跨越 1773-1994 年，32 家出版商。视觉多样性丰富（排版版本、18 世纪雕刻、现代数字重排、手稿）。Benchmark 结果显示：(1) 最佳配置（Zeus/LMXE/part-level）达到 3.6% OMR-NED (synthetic) / 5.9% (scanned)，确认任务可行；(2) encoding 选择显著影响精度（LMXE > CABC > **kern > BPE）；(3) part-level 一致优于 system-level（所有 34 配置）；(4) 外部 baseline Legato 在 OSSQ-OMR 上表现远差于本文训练的 baseline（36.1%/66.3% vs 6.0%/18.5%），证明 ABC 预训练不充分迁移到多声部。绝对指标在 OMR 领域处于可用水平（<6% on scanned）。数据集覆盖了合成和扫描双轨，扫描包含手稿（6 scores），增强了真实世界代表性。不足：(1) 仅 93 个 full-score 扫描（排除 part-book 和 manuscript 后用于 OMR 的核心扫描更少）；(2) 四个 split 的 test set 虽互斥但总量较小（synth 875±130 system, scan 957±8 system），对于 116 个乐谱的数据集，统计稳健性有限。
• Wiki 证据: wiki 无记录。free-search 确认 SMB (685 页) 和 GrandStaff 是现有主要 OMR benchmark 数据集，OSSQ-OMR 的 24,544 系统图像在规模上具有竞争力。Legato 在 OpenScore 252 页评估集上报告 32.9%/58.2%，与本文报告的 36.1%/66.3% 一致（差异来自 beam→greedy decoding），交叉验证增强可信度。

公理六：新颖性公理

• 判定: ✅
• 分数: 8
• 依据: 论文的核心新颖性是首个多声部 OMR 数据集。free-search 确认所有现有 OMR 数据集均聚焦单声部（PrIMUS、Capitan、Seils、FMT、Guatemala）或 piano-form（GrandStaff、FP-GrandStaff）。SMB 虽涵盖多种类型但非 multi-part 专注。OSSQ-OMR 填补了真实空白。附加新颖性：(1) LMXE 格式扩展支持多声部（part tokens + score-type token + measure-wise encoding），有 ablation 证明设计合理性；(2) 三格式同时发布（LMXE/**kern/ABC）使 encoding 选择可比较，这在 OMR 数据集中首次；(3) synthetic+scanned 双轨配对，视觉对齐到 token level，100+ 小时手动校正，Git 可审计——数据集质量投入远超常规。OpenReview 上有同一作者的早期版本 “COMPARATIVE STUDY ON OPTICAL MUSIC RECOGNITION OF STRING QUARTET SCORES”，但本文是其显著扩展（增加 scanned 数据、Legato 比较、四 split 协议），不构成自我重复。同期工作（Legato, ICLR 2026）聚焦大规模预训练而非数据集，不冲突。
• Wiki 证据: wiki 无记录。free-search 确认无同期 multi-part OMR 数据集发表。Legato (ICLR 2026) 是方法型工作，不构成数据集新颖性冲突。

公理七：可复现公理

• 判定: ✅
• 分数: 9
• 依据: 论文可复现性优秀：(1) 代码和数据公开在 https://github.com/MALerLab/string-quartet-omr-benchmark；(2) MuseScore 源文件以 Git 仓库发布，每次编辑有 commit 记录，完全可审计；(3) 数据集包含三种编码格式的配对转录，round-trip 验证规则明确；(4) 训练细节充分：AdamW 优化器、100k updates、学习率、batch size、数据增强方案、硬件配置（2×RTX PRO 6000 Blackwell + 4×B200）均给出；(5) 四个随机 split 的样本统计量报告（Table 3）；(6) 评测使用公开工具 OMR-NED（基于 music21 和 musicdiff）；(7) 外部 baseline Legato 使用公开权重（HuggingFace）和公开 tokenizer；(8) 不依赖任何闭源 API 或模型。唯一限制：136 个独立训练 run 的完整 checkpoint 未公开，但给定所有超参数和 split 协议，复现是可行的。
• Wiki 证据: wiki 无记录。free-search 确认 Legato 代码和权重均公开（GitHub + HuggingFace），Zeus 和 SMT 的原始论文均开源。所有依赖工具（kernpy、converter21、music21、musicdiff）均为开源。

日报摘要

• Strength: 首个多声部 OMR 数据集，24,544 系统图像 + 98,172 谱表图像，手动视觉对齐可审计，三格式编码使表示选择可比较，最佳基线达 3.6%/5.9% OMR-NED 确认任务可行
• Weakness: 34 配置缺乏系统消融隔离各因素独立贡献，扫描退化原因未识别，缺少最简 heuristic baseline 作为下界参照

总评

• 科学价值: 中高 — 填补多声部 OMR 数据集空白，LMXE 格式扩展有设计贡献，benchmark 发现 encoding/segmentation 对精度的显著影响是可靠经验规律
• 方法价值: 中 — 数据集构建流程工程完整但组件均为标准工具组合，无新方法创新；baseline 未隔离架构与 encoding 的交互效应
• 社区价值: 高 — 首个多声部 OMR 基础设施，代码/数据/Git 历史完全开源，三格式配对使后续研究可在统一框架下比较，ISMR 2026 发表将促进社区采用

打分

加权总分: 7.05/10（加权分之和 70.5 / 权重之和 9.5） 最终建议: Weak Accept