控制推理时噪声优化中的图像空间漂移

基于摘要分析。该研究针对预训练扩散模型的推理时对齐：优化输入噪声虽能获得罕见的高奖励图像，却可能加剧奖励投机，使图像偏离基础模型原有的结构与真实感。作者提出 BIDS（Bounding Image-space Divergence via Score functions），在不更新模型权重的条件下，通过基于 score function 的约束控制图像空间漂移。 核心机制是区分输入噪声的变化与生成图像的变化。作者指出，去噪过程可能将较小的噪声扰动放大为较大的图像差异，因此仅约束优化后的噪声不足以保证输出分布稳定。BIDS 利用数据处理不等式，将图像空间散度与去噪轨迹上的散度联系起来，再仅借助冻结模型的 score function 构造可计算的代理约束。摘要未提供具体散度定义、约束公式或优化流程，这些细节尚未验证。 作者报告，在覆盖 UNet 与 DiT 架构的图像生成实验中，BIDS 将以 CMMD 衡量的分布漂移降低超过 75%，人类偏好胜率最高达到 80.30%。摘要未说明这些数值对应的具体基线、数据集、奖励设置与人类评估协议，不能将其视为所有设置下的统一收益。作者还将 BIDS 扩展到成对偏好，以支持基于不可微人类反馈的对齐；反馈建模及求解细节尚未验证。 阅读全文时应重点核对代理约束与图像空间散度之间的理论条件、奖励收益与分布保持的权衡，以及额外推理开销。实验协议、消融及统计信息尚未验证。该研究的直接对象是扩散图像生成，而非神经信号解码；当前材料不足以建立具体的 EEG/BCI 迁移路径，不据此提出迁移实验。已有 EEG 相关工作尚未检索确认。