我已获取论文全文并完成了所有 wiki/搜索查询。现在我将输出最终的结构化评审。

论文评审：基于深度学习的多源多麦克风相对传递矩阵估计

论文类型: 方法型

本文提出了三种有监督的深度学习框架（SCoNet, FuSNet, LAeNet），用于估计相对传递矩阵（ReTM）——这是 2023 年为多源、多麦克风声学环境引入的相对传递函数（ReTF）的推广。论文将 ReTM 估计精度与基于协方差的方法进行了比较，并演示了语音增强的应用。

公理审查结果

公理一：对象公理

• 判定: ✅
• 依据: ReTM 是一个具有明确定义的数学对象（公式 2：$\bm{\mathcal{R}}_{AB}(f) \triangleq \mathbf{H}_A(f)\mathbf{H}_B(f)^\dagger$），于 2023 年由 Abhayapala 等人 [1] 提出，用于解决 ReTF 的 W-离散正交性假设在多源环境中不成立的问题。该对象具有明确的可操作化定义、物理意义（独立于源信号，取决于空间位置和环境），并正在获得研究关注（参考文献 [10, 13–16] 展示了在语音增强、说话人分离和无人机听觉中的应用）。该问题——在没有源位置知识的情况下进行 ReTM 的盲估计——具有实际动机（机器人听觉、远程会议、助听器）。声明范围与实验验证一致：论文没有声称普适性，明确假设为静态环境。
• Wiki 证据: OMC Wiki 对 ReTM、RTF 或多通道语音增强没有记录。通过 free-search 找到的相关工作包括：Manamperi & Abhayapala (2025, arXiv:2510.19439) 关于基于协方差减法的 ReTM 估计；Kumar 等人 (2024, EUSIPCO) 关于基于 ReTM 的语音去噪；以及多篇 ReTF 估计论文 [4, 5, 11]。ReTM 概念是真实的，且有活跃的研究跟随。

公理二：识别公理

• 判定: ⚠️
• 依据: 唯一的基线是基于协方差的方法 [1]，这也是唯一现有的 ReTM 估计方法。虽然可以理解（ReTM 直到 2023 年才被引入），但论文确认了存在基于 DL 的 ReTF 估计方法 [4, 5, 11, 26, 31, 35, 36]，却没有将这些方法适配到 ReTM 设置作为基线。没有进行消融实验：联合损失函数（公式 7，$\alpha=1, \beta=10$）的权重在没有任何消融研究的情况下固定；没有隔离架构组件的贡献；没有 SCoNet/FuSNet/LAeNet 的变体来测试设计选择。三个模型在不同场景下的性能差异（例如，FuSNet 在 ReTM 估计中获胜但在语音增强中失败）提供了一个自然的最简基线对比，但没有系统的变量隔离。
• Wiki 证据: OMC Wiki 没有关于 ReTM/RTF 估计基线的记录。Free-search 确认：Birnie 等人 (2021, IEEE MLSP) 使用 CNN 进行 ReTF 估计 [4]；Brendel 等人 (2022, ICASSP) 使用流形学习进行 RTF 估计 [5]；Levi 等人 (2025, IEEE TASLP) 使用图卷积网络进行 RTF 估计 (peerRTF) [11]。这些本可以作为适配的基线，但未被使用。

公理三：独立性公理

• 判定: ⚠️
• 依据: 评测在结构上是独立的：训练数据由模拟的房间冲激响应（Habets RIR 生成器 [8]）生成，测试指标（SDR, MSE, LSD, APD, RSE, STOI）是信号处理中的标准指标，不与训练过程循环。然而，评测范围极窄：单一模拟房间（6×7×3 m），单一混响时间（$T_{60}=500$ ms），静止源，40 dB SNR 的 WGN 传感器噪声。训练数据极小（场景 A2/B/C 为 50 秒；A1 为 3 分钟），测试数据为 10 秒–1 分钟。没有跨房间泛化，没有变化的混响时间，没有移动源，也没有真实录音验证。语音增强评测（表 3）使用了从 1 分钟纯噪声录音中估计的 ReTM，这在结构上是独立的，但仅限于相同的模拟环境。
• Wiki 证据: OMC Wiki 没有关于该评测方法的记录。Free-search 找到了多通道语音增强的标准评测实践（SDR, STOI 是广泛接受的指标），确认了指标选择中不存在循环论证。

公理四：压缩公理

• 判定: ⚠️
• 依据: 三种架构中的每一种都有物理动机：FuSNet 的 1D 卷积滤波器直接对应于时域 ReTM 系数 $r_{AB}^{ji}(t)$（公式 4）——这是一种优雅且简约的参数化。SCoNet 的每个频率的深度卷积尊重 ReTM 的频率依赖结构。LAeNet 对窄带空间信息的 BiLSTM 使用直接受到 Li & Horaud (2019) [37] 对窄带深度滤波的启发。然而，同时提出三种不相关的架构，却没有统一的框架或关于何时选择哪种的明确指导，增加了没有相应解释力的复杂性。联合损失权重（$\alpha=1, \beta=10$）在选择时没有系统论证。论文没有发现可迁移的经验规律或进行问题重构——它是将标准 DL 架构应用于新对象。
• Wiki 证据: OMC Wiki 没有关于这些架构的记录。Free-search 确认深度卷积（OpenReview: “Phase aware speech enhancement based on depthwise deep convolutional network”）、窄带 BiLSTM 滤波 (Li & Horaud 2019, arXiv:1911.10791) 以及 STFT 域 CNN (Wang 等人 2022, arXiv:2204.09911) 都是语音处理中成熟的技术。

公理五：效用公理

• 判定: ⚠️
• 依据: ReTM 估计（表 1）：DL 模型在所有场景的 SDR 和 MSE 上都显著优于基于协方差的基线（例如场景 B：基线 16.1 dB SDR → SCoNet 22.42, FuSNet 22.51, LAeNet 22.36；场景 C：基线 23.05 → FuSNet 40.33 dB SDR）。然而，基线有时在 LSD 上获胜（场景 C：基线 1.03 dB 对比 FuSNet 1.95，LAeNet 1.39）和 RSE 上（场景 B：基线 -17.39 对比 LAeNet -17.58）。FuSNet 在场景 B/C 的 LSD 和 APD 上表现明显较差（4.89/0.71 对比基线 2.48/0.23）。

语音增强（表 3）：结果参差不齐。LAeNet 表现最好（场景 B：8.67 dB SDR, 0.92 STOI；场景 C：7.03/0.91），相对于基线（6.06/0.87 和 4.07/0.85）有适度提升。SCoNet 略好于基线。FuSNet 实际上在场景 C 中导致负 SDR（-1.19 dB），性能比噪声输入还差，作者将其归因于“明显的回声噪声”，但未进行系统分析。

关键问题：仅有一个基线（基于协方差的方法）；没有与任何已建立的多通道语音增强方法（例如 MVDR 波束成形、Mask-MVDR、深度滤波网络）进行比较；单一模拟房间；极小的训练/测试数据。ReTM 估计的改进是真实的，但实用性验证薄弱。

• Wiki 证据: OMC Wiki 没有关于语音增强 SOTA 的记录。Free-search 找到了近期的工作：peerRTF (Levi 等人 2025) 用于基于 GCN 的 MVDR 波束成形、窄带深度滤波 (Li & Horaud 2019)、DNN-based MVDR 参数估计 (Kim 等人, Interspeech 2023)。这些本可以作为语音增强的相关基线，但均未被比较。

公理六：新颖性公理

• 判定: ⚠️
• 依据: 这是用于 ReTM 估计的第一种 DL 方法——一个真正的首创，因为之前的工作 [1] 是唯一现有的 ReTM 估计器，且基于统计。然而，各个架构是标准组件：FuSNet 本质上是学习与 ReTM 时域系数相对应的 FIR 滤波器（直接的物理参数化，但概念上类似于 Birnie 等人 2021 [4] 对 ReTF 使用 CNN 的做法）；SCoNet 使用深度 2D 卷积（在语音增强中广泛使用，例如 OpenReview “Phase aware speech enhancement based on depthwise deep convolutional network”）；LAeNet 使用 BiLSTM 进行窄带处理（直接受到 Li & Horaud 2019 [37] 的启发）。从 ReTF 到 ReTM 的跨问题迁移是预期的方向（矩阵结构比标量函数更复杂），但每个单独的模型都是对其对应 ReTF 方法直接的、维度的扩展。论文提出了三个独立的模型，而不是一个有原则的设计。没有新的机制解释、问题重构或经验压缩。
• Wiki 证据: OMC Wiki 没有记录。Paper-wiki 对该论文或 ReTM 概念没有记录。Free-search 确认 ReTM 是一个新对象（2023），仅有基于协方差的估计 [1, 15]，且 DL-based ReTF 估计存在于 [4, 5, 11]，但未有人将其扩展到 ReTM。首创是真实的，但架构的新颖性有限。

公理七：可复现公理

• 判定: ⚠️
• 依据: 正面因素：RIR 生成器是开源的（Habets [8]）；房间尺寸、混响时间、麦克风配置、源类型和 SNR 都有详细说明；优化器（Adam）、学习率调度策略、损失函数权重和 STFT 参数都有提供；GitHub 上有音频样本 (https://github.com/oshanyalegama/Denoised_ReTM_DL)。负面因素：没有训练代码或模型检查点发布（仅音频样本）；确切的源信号（音乐曲目、空调噪声录音、语音语料库）没有完全指定；训练集极小（50s–3min），因此复现对确切的源材料很敏感；没有提及随机种子或统计显著性测试。
• Wiki 证据: OMC Wiki 没有关于复现标准的记录。

日报摘要

• Strength: 首次将深度学习用于 ReTM 估计；FuSNet 在主要场景中将 SDR 比基于协方差的基线提高了高达 17 dB（场景 C：40.33 vs 23.05 dB）。
• Weakness: 无消融实验，仅一个基线，单一模拟房间，且 FuSNet 的语音增强在场景 C 中导致 SDR 为负（-1.19 dB），性能比噪声输入还差。

总评

• 科学价值: 中 — 在一个真实、新定义的对象（ReTM）与三种合理但有物理动机的 DL 架构之间建立了首次桥梁，但缺乏因果识别（无消融实验）和泛化验证（单一房间）。
• 方法价值: 中 — 每个架构都有领域特定设计（FuSNet 的滤波器-ReTM 对应、SCoNet 的每频率深度卷积、LAeNet 的窄带 BiLSTM），但组件是标准的，且没有统一的框架或对“为什么有效”的系统理解。
• 社区价值: 中 — 为一个新兴问题（ReTM 估计）开辟了 DL 方向，已被 Interspeech 2026 接收，提供了可共享的音频样本；但缺乏代码发布和极小的评测规模限制了其作为社区基准的实用性。

打分

加权总分: 5.26/10（加权分之和 50.0 / 权重之和 9.5） 最终建议: 边缘 (5–6.5)