超越成对排斥：通过扩散采样中的行列式最大化实现集合多样性

基于摘要分析。本文研究文本到图像（T2I）扩散模型在强引导下生成样本趋于相似原型的问题，提出 DetNO（Determinant Noise Optimization），通过优化初始噪声的集合级目标提升批次多样性，无需训练或修改采样器；其主要研究对象是图像生成与合成数据增强，而非 EEG 或 BCI。 核心机制是基于一步 Tweedie 预测构建 RBF Gram 矩阵，最大化其对数行列式，以表征再生核希尔伯特空间（RKHS）中的批次体积。作者强调，成对距离不足以完整刻画集合是否塌缩到低维子空间，而行列式目标能够约束这种高阶退化。作者称，该目标在批次高度塌缩时排斥最强，并随多样性提高而减弱；另以基于锚点的保真项约束优化噪声，经拉格朗日松弛形成由单一超参数 λ 调节多样性与质量权衡的双项目标。 作者报告，在 SD1.5、SDXL 和 SD3 三种骨干上，DetNO 的 VendiScore 与 Mean Self-Similarity 表现支持其批内多样性优势；在下游少样本分类的合成数据增强实验中，低样本条件下获得统计显著的 Accuracy 收益。固定生成流程、仅改变批次目标时，两种基于 RBF 的聚合目标均优于 InfoNCE，对数行列式在两个基准上取得最佳下游 Accuracy，且相对 InfoNCE 的多样性优势随批次增大而扩大。摘要未给出基准名称、具体分数、划分与统计检验细节，实验协议、消融及统计信息尚未验证。作者提供了代码链接，复现仍需核对依赖、锚点定义、λ 设置及噪声优化开销。 平台推测（待验证）：若 EEG 条件生成中也存在批次模式塌缩，可假设集合级行列式目标有助于改善合成样本覆盖，但这依赖可用的一步预测、合理的 EEG 相似性表征与保真锚点。可复用批次目标，需改造特征核与保真约束；低信噪比、通道差异和小数据可能使优化扩大伪迹或被试差异，而非任务相关变化。一个小规模检验是在固定 EEG 生成器、合成样本数及跨被试划分下，仅替换批次目标，比较多样性、信号保真度和下游 Accuracy。该假设不构成已验证的 EEG 效果，已有 EEG 相关工作尚未检索确认。