现在我已经掌握了所有必要的事实依据。让我来汇总这份评审。

从研究阶段确立的关键事实：

1. 论文全文：通过 arXiv HTML 获取（31 页，完整方法、实验、消融研究、参考文献）。
2. V2A-DPO (arXiv:2603.11089, 2026 年 3 月)：已经将 DPO 应用于 V2A 生成——比 HarmoniDPO（2026 年 8 月）早 5 个月。HarmoniDPO 声称“首次将偏好优化应用于 V2A”——这是错误的。
3. Tango 2：已经对音频扩散模型进行了 DPO 对齐——被 HarmoniDPO 用作基础模型，但 HarmoniDPO 却声称将 DPO 引入 V2A 是其创新点。
4. 缺失的基准测试 (Baselines)：Kling-Foley (2506.19774), VAFlow (ICCV 2025), TARO (ICCV 2025), V2A-DPO (2603.11089) — 均未进行比较。
5. 奖励模型 (Reward model)：使用 CAV-MAE、CLAP、Audiobox-Aesthetics 作为自动奖励——与评估指标 (CLIP, CLAP) 存在重叠。
6. 用户研究：仅由 8 位评估者，全部来自同一实验室。
7. DDS (测试时缩放)：使用 CLIP/CLAP 分数进行候选选择——与部分训练奖励重叠。
8. 代码/检查点 (Code/checkpoints)：论文中未提及发布。

现在让我来撰写最终评审。

论文评审：HarmoniDPO: Video-guided Audio Generation via Preference-Optimized Diffusion

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: 论文研究的对象——video-to-audio (V2A) 生成中的时间同步和感知质量问题——是真实存在的。V2A 的一对多映射特性（同一视频可有多种合理音轨但感知质量差异大）是已知问题。reconstruction-based loss (L1/L2) 与人类感知偏好的脱节在图像/音频生成领域已有广泛讨论。论文的核心概念（temporal synchronization, perceptual quality, preference alignment）均可操作化，有对应指标（Onset Acc/AP, CLIP score, CLAP score, user study）。问题具有社区价值，V2A 是视频生成 pipeline 中的关键环节。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 V2A 是活跃研究方向（Kling-Foley, VAFlow, TARO, Frieren, LoVA 等同期工作均在解决同类问题），问题真实且被多方关注。

公理二：识别公理

• 判定: ⚠️
• 分数: 5
• 依据: 论文同时引入三个贡献（dual video representation + online-DPO + DDS），但消融实验未能充分隔离各贡献的因果效应。具体问题：(1) Table 5 的 video condition 消融仅比较了 CLIP average pooling vs. frame features only vs. InternVid features，但未控制特征维度和计算量。(2) online-DPO 的消融（Table 4）只变化 candidate 数量，未与标准 offline DPO 或其他 RLHF 方法（如 DDPO, RAFT）做对照，无法证明 “online” 和 “VA-DPO loss” 各自的必要性。(3) DDS 的消融仅在 Table 1 中以一行呈现（aligned vs. aligned+DDS），没有搜索步数 T、population size N、step sizes β_s/β_l 的敏感性分析。(4) 基础模型使用 Tango-2（已用 DPO 对齐的 T2A 模型），但论文未分析基础模型已有 DPO 对齐对后续 online-DPO 的交互影响。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 Tango 2 本身已用 DPO 对齐（”Aligning Diffusion-based Text-to-Audio Generations through Direct Preference Optimization”），这意味着基础模型已包含偏好对齐，论文未隔离这一先验贡献。

公理三：独立性公理

• 判定: ⚠️
• 分数: 4
• 依据: 存在显著的评测-训练循环问题。(1) Reward-evaluation 重叠：online-DPO 的 reward 使用 CAV-MAE (audio-visual similarity) 和 CLAP (audio-text similarity)，而最终评测指标包括 CLIP similarity 和 CLAP similarity。CLAP 同时出现在训练 reward 和评测指标中，构成直接循环。(2) DDS 的评测-选择重叠：DDS 在推理时使用 CLIP score 和 CLAP score 选择最优候选，但 CLIP 和 CLAP 也是主要评测指标——DDS 在优化评测指标本身。(3) User study 仅 8 位评测者，全部来自同一实验室（”recruited eight evaluators from our laboratory”），存在利益冲突和样本量不足问题。(4) Audiobox-Aesthetics 作为 reward component 是独立的（不直接出现在评测指标中），这部分是合理的。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 CLAP 同时用于训练 reward 和评测，是客观事实。

公理四：压缩公理

• 判定: ⚠️
• 分数: 5
• 依据: 方法由三个相对独立的模块组成，整体复杂度较高但各模块的压缩价值有限。(1) Dual video representation：将 InternVid global feature + CLIP frame-wise feature 拼接后经 self-attention 融合——这是标准的 multi-scale feature fusion，并无机制创新。Table 5/6 的消融表明两者都有贡献，但未提供比简单拼接更深的理解。(2) Online-DPO with VA-DPO loss：在标准 DPO loss 上加了 reward margin 项 (λ(R(y_w)-R(y_l)))，这是一个增量修改。论文未证明 VA-DPO loss 比标准 DPO loss 有显著提升——没有 VA-DPO vs. standard DPO 的消融。(3) DDS：本质是 population-based sampling with dual step sizes，类似于进化策略。算法清晰但引入额外推理成本（N×T 次前向传播 + reward 评估），论文未讨论推理时间代价。三个模块组合在一起，但 synergy 未被证明——Table 1 的三行递进配置只显示了累加效应。
• Wiki 证据: OMC Wiki 无记录。

公理五：效用公理

• 判定: ⚠️
• 分数: 5
• 依据: (1) 绝对指标：在 VGGSound 上 MKL=1.82, CLIP=13.65, FID=6.42, FAD=1.59, CLAP=32.57，相比 baseline 有明显提升，但缺少人类可感知的绝对质量评估（如 MOS 分数），仅有的 user study 是相对比较而非绝对评分。(2) Baseline 遗漏严重：论文比较了 SpecVQGAN, Diff-Foley, V2A-Mapper, Seeing-and-Hearing, FoleyCrafter, Frieren，但遗漏了多个重要同期/近期工作：V2A-DPO (2603.11089, 2026年3月，直接竞品，DPO for V2A)、Kling-Foley (2506.19774, 2025年6月，大规模 V2A SOTA)、VAFlow (ICCV 2025)、TARO (ICCV 2025)。特别是 V2A-DPO 与本文方法高度重叠（DPO for V2A），不比较是重大遗漏。(3) 训练数据不公平：Table 1 显示多个 baseline 使用了额外训练集（AudioSet, Landscape, AudioSet Strong），而 HarmoniDPO 仅用 VGGSound，论文声称”以更少数据取得更好结果”，但未控制 compute 和模型规模（64×H800 GPU）。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 V2A-DPO、Kling-Foley、VAFlow、TARO 均为已发表的可比较方法。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 4
• 依据: 论文声称三个”首次/创新”，但每个都有已有工作先例：(1) “first time applies preference-based optimization to V2A”——这是错误声明。V2A-DPO (arXiv:2603.11089, 2026年3月，早于本文5个月) 已将 DPO 应用于 V2A 生成。此外，论文自身使用 Tango-2 作为基础模型，而 Tango-2 已用 DPO 对齐音频扩散模型。(2) Dual video representation——multi-scale feature fusion (global + local) 是视频理解领域的标准做法，InternVid + CLIP 的组合是已有编码器的直接使用。(3) DDS (test-time scaling)——population-based sampling with dual step sizes 是进化策略的变体，且论文承认灵感来自 text-to-image 领域的 test-time scaling。(4) VA-DPO loss——在 DPO loss 上加 reward margin 项是增量修改，未消融证明其必要性。整体 novelty 是已有技术的组合（Tango-2 DPO + InternVid video encoding + CLIP frame encoding +进化策略搜索），且核心 claim（首次 DPO for V2A）被 V2A-DPO 抢先。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 V2A-DPO (2026年3月) 先于本文提出 DPO for V2A，Tango 2 先于本文提出 DPO for audio diffusion。V2A-DPO 与本文发表时间差距 5 个月，超出 2 个月 concurrent work 窗口，构成 novelty 缺陷。

公理七：可复现公理

• 判定: ⚠️
• 分数: 5
• 依据: (1) 论文未提及代码或模型 checkpoint 的开源计划。(2) 训练需要 64×H800 GPU，计算资源需求极高，限制独立复现。(3) 训练细节部分给出了学习率 (1e-4)、batch size (128)、optimizer (AdamW)、CFG dropout (0.05)、candidate 数量 (8)、reward 权重 (均等)，但缺少：online-DPO 的 β 和 λ 值、DDS 的 β_s/β_l/T/N 具体值（仅提到 N=4 用于 Table 1）、reference model 更新频率的具体 epoch 数。(4) 评测脚本依赖 CAV-MAE, CLAP, Audiobox-Aesthetics, Wav2CLIP, VGGish 等多个预训练模型，均为公开模型，评测可复现。(5) 数据集 VGGSound 和 AVSync15 均为公开数据集。
• Wiki 证据: OMC Wiki 无记录。

日报摘要

• Strength: 在 VGGSound 和 AVSync15 上全面超越 FoleyCrafter/Frieren 等 baseline（MKL 1.82 vs. 2.56, CLIP 13.65 vs. 10.70, FID 6.42 vs. 12.48），dual video representation + online-DPO + DDS 三阶段递进提升清晰。
• Weakness: 核心 novelty claim（”首次将 DPO 应用于 V2A”）被 V2A-DPO (2026年3月) 抢先5个月；CLAP 同时用于训练 reward 和评测指标构成循环；遗漏 V2A-DPO/Kling-Foley/VAFlow/TARO 等关键 baseline；8人同实验室 user study 独立性不足。

总评

• 科学价值: 中 — V2A 中 preference optimization 的应用有价值，但核心 claim 被抢先，因果识别不充分（VA-DPO vs. standard DPO 无消融，DDS 无敏感性分析）。
• 方法价值: 中 — dual video representation 消融充分且有效，online-DPO 框架设计合理，但整体是已有技术的组合（Tango-2 DPO + multi-scale visual encoding + population-based search），无新机制。
• 社区价值: 中低 — V2A 领域活跃，但论文遗漏关键 baseline（特别是直接竞品 V2A-DPO），使结果的可比性存疑；未开源代码/checkpoint 限制后续研究。

打分

加权总分: 4.95/10（加权分之和 47.5 / 权重之和 9.5） 最终建议: Borderline 5-6.5