从观测驱动到原因主导：面向音视频语音增强的频率耦合状态空间恢复

该研究针对音视频语音增强（AVSE）中视觉信息常仅作为辅助条件、频率信息通常统一恢复的问题，提出 Frequency-aware State Space Cause-governed Modeling（FSSCM），以视觉发音先验控制状态演化，并按“原因→内容→细节”的依赖关系耦合低频与高频恢复。以下基于摘要分析，未取得论文全文。 机制上，Visual Spectral Prior Learning（VSPL）从连续唇部运动学习发音时序动态，构建不直接受声学噪声污染的视觉先验。Adaptive Progressive Frequency Mamba（APFM）先用该先验调制低频 Mamba 状态转移以恢复内容，再由演化中的低频状态与同一先验共同调制高频状态转移以重建细节。Prior-anchored Frequency Consistency Learning（PFCL）用于约束同一视觉先验下的跨频率一致性。其区别于摘要所述常见方法的设计重点，是让视觉先验参与状态转移，并显式建立分频恢复的依赖，而非仅将视觉特征输入统一恢复过程；“原因主导”是作者的建模表述，不能据此认定已完成因果识别。 作者报告，在五个 AVSE benchmark 上，FSSCM 优于所比较的先进方法，且相对竞争方法的 SDR 优势随 SNR 降低而增大。摘要未提供 benchmark 名称、具体 SDR、SNR 条件、数据划分或对照配置，因此无法判断优势幅度及其适用范围。频段划分、先验学习监督、PFCL 损失形式、训练与推理条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是以相对可靠的同步模态先验约束低信噪比信号的分频状态恢复，而不是直接迁移语音频段语义。若用于同步 EEG 与外部行为观测，可能复用先验调制状态转移和一致性约束，但需重定义频段依赖、监督目标及通道表示；外部观测未必可靠，跨被试差异、通道变化和小数据训练也可能使先验产生误导。一个可证伪的小实验是在固定被试内划分与同一骨干下，对比无先验、正确同步先验和时间打乱先验的恢复效果，检验收益是否确实依赖同步信息。相关 EEG 工作尚未检索确认。