In-Context Brush：通过上下文感知潜在空间操纵实现零样本定制主体插入

基于摘要分析。本文研究图像生成中的定制主体插入：将用户指定的对象融入目标图像，同时保持主体身份并遵循文本提示。作者提出 In-Context Brush，将该任务重构为上下文学习，在预训练图像修补网络上进行推理时潜在空间操纵，无需模型微调。 核心机制是将对象图像与文本提示组织为跨模态示例，将带掩码区域的目标图像作为查询，通过图像修补生成符合提示的主体。框架基于预训练的 MMDiT 图像修补网络，采用两级操作：在每个注意力头内部进行潜在特征偏移，动态调整注意力输出以体现指定主体的语义；在不同注意力头之间进行注意力重加权，通过差异化优先级增强文本提示的可控性。这里的推理时增强并不等同于已验证的 EEG 测试时自适应方法。 作者报告，在其开展的实验与应用中，相比现有方法，该框架在身份保持、文本对齐和图像质量方面表现更好，且不需要专门训练或额外数据收集。摘要未提供数据集、具体对照方法、评估指标、数值或实验划分，因此无法核对优势幅度及不同设置下的稳定性；实验协议、消融及统计信息尚未验证。复现还需确认所用预训练模型、掩码与示例构造方式、两级操纵的具体实现和推理配置。 该研究的主要对象是视觉生成与图像修补，并非 EEG/BCI。材料未提供神经信号实验或明确的机制迁移证据，不能据此认定其能改善 BCI 解码；相关 EEG 工作尚未检索确认。