PADP: перцептивные возмущения аудиоданных для проверки моделей качества звука

PADP проверяет, действительно ли модели оценки качества реагируют так же, как человеческий слух, а не просто измеряют изменение формы сигнала. Для этого авторы применяют преобразования, сильно меняющие отсчёты или внутренние представления, но остающиеся почти незаметными на слух.

Метод. Набор включает фазовые перестановки APX, задержки DEL, декорреляцию DIF и спектральное смешивание SCD. Прозрачные диапазоны параметров устанавливаются двумя MUSHRA-тестами, после чего с человеческими оценками сравниваются PEAQ, 2f-model, ViSQOL, HAAQI, SCOREQ, DeePAQ и представления MERT, MuQ, CLAP и wav2vec 2.0.

Результаты. APX, слабые DIF1–2 и SCD при λ не выше 0,6 в среднем остаются в пределах 10 баллов от скрытой опоры. На всех возмущениях HAAQI достигает корреляции Спирмена 0,69, PEAQ — 0,63, ViSQOL — лишь 0,38. Для расстояний в обученных представлениях абсолютная корреляция достигает 0,74 у DeePAQ, но знак отрицательный, поскольку большее расстояние означает худшее качество.

Ограничения. После фильтрации осталось всего девять слушателей для SCD и восемь для APX/DEL/DIF. Преобразования искусственны, материал монофонический, а некоторые режимы уже слегка слышимы на критических фрагментах. Foundation-модели исходно не предназначены для полной оценки качества, поэтому их слабость нельзя напрямую переносить на все прикладные задачи.

Фишка из статьи. Наиболее «умная» обученная метрика не становится слуховой автоматически. DeePAQ лучше остальных упорядочивает условия в целом, но переоценивает влияние SCD и недооценивает DIF3–5; ViSQOL, напротив, даёт слабую общую корреляцию, хотя местами сохраняет правильный порядок.

Как это читать: отрицательный знак у расстояний ожидаем, важен модуль корреляции. Однако даже высокий модуль не гарантирует одинаковую с человеком чувствительность к конкретным классам фазовых и спектральных изменений; PADP нужен именно для такого разбора ошибок.