SAV-SE：采用选择性状态空间模型的场景感知视听语音增强

基于摘要分析。本文研究视听语音增强中面部与唇部线索受遮挡或远距离拍摄影响的问题，提出 Scene-aware Audio-Visual Speech Enhancement（SAV-SE）任务，利用同步视频中的环境上下文提示噪声类型，并提出结合 Conformer 与 Mamba 的 VC-S²E 方法。其主要研究对象是语音增强，而非 EEG 或 BCI。 核心思路是将视觉辅助信息从说话者的面部运动扩展到周围场景，例如利用画面中的噪声来源帮助区分目标语音与干扰。作者声称，据其所知，这是首次使用同步视频中的丰富上下文信息提示噪声类型以改善语音增强。摘要将 Conformer 与 Mamba 的结合归因于两者的互补优势，但未提供模块连接方式、视听融合机制、损失函数及训练与推理细节，这些内容尚未验证。 作者报告在公开 MUSIC、AVSpeech 和 AudioSet 数据集上开展实验，VC-S²E 优于参与比较的其他方法。摘要未提供具体指标、数值、基线名称、数据划分及噪声构造方式，因此尚不能判断增益幅度、各模块贡献或不同场景下的稳健性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可考察的跨领域机制是以同步外部上下文辅助判断干扰，而不是将语音增强结果直接视为 BCI 有效性证据。假设在具有同步环境视频和明确伪迹标注的 EEG 数据中，场景线索可能辅助识别部分外源干扰；可借鉴上下文条件融合思路，但需改造输入表征、时间对齐和输出目标，并验证场景信息是否真正对应 EEG 干扰。低信噪比、通道变化、小数据及场景与被试身份的偶然关联均可能使该假设失效。一个可证伪的小实验是在固定 EEG 模型与跨被试划分下，比较无视频、正确同步视频和打乱视频条件，检验同步上下文是否提供稳定增益。已有 EEG 相关工作尚未检索确认。