用于文本到图像生成的范数引导潜在空间探索

基于摘要分析。本文研究文本到图像扩散模型中初始随机种子的潜在空间几何，提出考虑种子范数先验的插值与质心计算方法，旨在改善稀有概念图像生成，并服务于少样本与长尾学习任务。 核心机制是：作者观察到，现有训练流程中模型接触的输入范数集中在较窄范围，因此使用标准欧氏或球面度量进行种子插值、求取质心，可能无法充分反映模型训练时的输入分布。作者据此提出新的种子插值方法，并称其定义了一种纳入范数先验的非欧氏度量；进一步给出近似实现该插值过程的算法，并以此定义潜在种子空间中的质心。研究对象是生成模型的初始种子操作，而非 EEG 解码或 BCI 算法。 作者报告，新插值与质心方法改善了稀有概念图像生成，并在所评估的少样本与长尾基准上取得优于既有方法的表现，涉及生成速度、图像质量与语义内容。摘要未列出具体基准、数据划分、对照方法、指标或数值，因此这些优势的适用范围与幅度尚未验证。 复现时需核对范数先验的具体形式、非欧氏度量及近似算法的定义、质心求解方式，以及所用扩散模型与采样设置。实验协议、消融及统计信息尚未验证。材料未建立该种子空间机制与 EEG 数据结构或 BCI 任务之间的具体对应关系，不能据此推导 BCI 有效性；相关 EEG 工作尚未检索确认。