通过 H-space 初始噪声优化实现公平的扩散模型

基于摘要分析。该研究针对扩散模型生成图像群体的人口统计构成偏差，提出利用去噪器语义特征空间 H-space 优化初始噪声的方法，旨在改善群体分布公平性，同时保持图像保真度。研究对象是图像生成中的人口统计公平性，并非 EEG 解码或 BCI。 核心机制是先在 H-space 定义批次级公平性目标，再通过 Jacobian 将该目标传回初始噪声，使更新方向同时反映公平性要求与模型特征响应。方法使用冻结的终止时刻属性探针，对初始噪声实施带先验正则化的随机更新，随后由原始采样器生成图像。相较于摘要描述的既有初始噪声去偏方法，其关键区别在于直接利用去噪器语义特征中的人口统计信息，而不是仅在其他表征或输出层面构造更新方向；具体目标函数、探针训练方式及计算开销尚未验证。 理论部分刻画初始噪声更新如何引起 H-space 变化，并给出使图像空间人口统计分布目标下降的梯度对齐条件。这是有条件的理论解释，不能据摘要扩展为任意模型与设置下的公平性保证。 作者报告在 CelebA-HQ、FFHQ 及包含 P2、SD3、SDXL 的多个扩散骨干上开展实验，公平性差异降低 35.8%，同时改善 FID，并在不同数据集与模型架构上改善人口统计分布平衡。摘要未说明该降幅对应的具体配置、对照基线、聚合方式与公平性指标定义，也未给出 FID 数值，因此不能将这一结果解释为各配置均达到相同改善。实验协议、消融及统计信息尚未验证，复现还需核对人口统计属性定义、目标分布、批次大小、噪声更新预算、正则化设置和属性探针可靠性。材料未提供与 EEG/BCI 的具体机制对应，不据此推断神经信号任务中的有效性。