共享线性映射能做到什么？探究图像编辑的特征空间可操控性

基于摘要分析。本文研究几何变换、光度编辑、局部遮挡及扩散式语义编辑如何体现在视觉模型的内部特征中，核心贡献是检验：跨所有空间位置共享的单一线性映射，能否充分预测编辑后的特征，而不依赖空间位置或样本条件。 方法上，作者构建容量递增的预测探针，从共享线性映射，到非线性逐向量模型、感受野模型及全局 transformer 模型；研究对象包括监督学习骨干 ConvNeXt、SwinV2，以及自监督基础模型 DINOv3。语义编辑示例包括改变车灯、轮毂颜色与车身颜色。其对照不仅考察线性与非线性的差别，也考察空间权重共享这一独立约束：不同位置使用同一算子，并非既有模型拼接设定自然蕴含的性质。 在留出编辑结果的预测评估中，作者报告 ConvNeXt 和 SwinV2 的共享线性映射经常只比更强的非线性模型损失少量预测能力，且其充分性总体随网络深度增加；DINOv3 上的这一规律较不稳定。作者还报告，编辑的语义内容主要由算子的前 k 个奇异分量捕获，更高秩分量主要细化图像细节。摘要未给出 k 的取值、数据集、划分方式、误差指标或具体数值，实验协议、消融及统计信息尚未验证。上述结果支持特定预测任务中的表征充分性，不能直接推出特征空间具有内在线性几何，也不等于实现了可控图像生成。 平台推测（待验证）：可借鉴其探针设计，检验 EEG 编码器对受控信号扰动是否具有简单、共享的特征响应。原方法依赖编辑前后的配对输入与对应特征；可复用线性探针和容量对照，但需重新定义时间、通道或 token 上的共享范围。EEG 的低信噪比、通道异质性、跨被试差异及小样本条件可能使共享算子失效。一个可证伪的小实验是在冻结 EEG 编码器后，以原信号及受控幅度缩放构成配对数据，采用 Cross-subject 留出，对比共享线性与非线性探针的特征预测误差；即使成立，也只说明该扰动下的预测充分性，不证明 BCI 解码收益。相关 EEG 工作尚未检索确认。