用于生成的表征条件化

基于摘要分析。本文研究图像生成中 diffusion transformer 的表征对齐问题，提出 representation conditioning（RECON），通过向后期层提供预训练视觉编码器的语义 token，改善仅在早期层施加表征对齐监督时，后期层未必能充分利用语义信息的问题。 机制上，REPA 使用预训练视觉编码器，通过 MLP projection head 监督生成骨干的中间层，该投影头通常在训练后丢弃。作者认为，对齐损失可通过反向传播影响早期层，但仅受 velocity prediction loss 监督的后期层能否充分获取这些语义并无保证。RECON 在训练时直接将预训练视觉编码器的 token 输入后期层；推理时因无法获得干净图像，复用 MLP projection head 作为视觉编码器的代理，将其输出 token 提供给后期层。具体条件注入方式及投影头的输入位置尚未验证。 作者报告，该方法不增加参数，收敛速度相对 SiT 提升 63 倍、相对 REPA 提升 25 倍。但摘要未给出这些倍数对应的数据集、模型规模、目标生成质量、训练预算或耗时口径，因此不能将其直接理解为推理提速或任意设置下的计算节省。实验协议、消融及统计信息尚未验证；尤其需核对训练时视觉编码器 token 与推理时代理 token 的差异及其影响。 本文的主要研究对象是图像生成，而非 EEG 或 BCI。摘要不足以建立具体神经信号迁移路径，不据此推断其在 EEG/BCI 上有效；已有 EEG 相关工作尚未检索确认。