In-Context Brush：通过上下文感知潜空间操作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：给定主体参考图像、文本提示及带掩码区域的目标图像，在不微调模型的情况下，将指定主体插入目标区域，同时保持主体身份并符合文本意图。作者提出 In-Context Brush，将这一任务重构为上下文学习，并在预训练的基于 MMDiT 的图像修补网络上执行测试时潜空间操作；其主要研究对象是视觉生成，而非 EEG 解码或 BCI。 机制上，主体图像与文本提示被组织为跨模态示例，带掩码的目标图像作为查询。方法包含两个层次：注意力头内部的“latent feature shifting”动态调整注意力输出，使其反映所需主体语义；不同注意力头之间的“attention reweighting”通过差异化优先权增强文本提示的可控性。摘要明确无需专门训练或额外数据收集，但仍依赖预训练图像修补网络以及输入的主体参考图像、提示和掩码。具体操作公式、实施位置与推理开销尚未验证。 作者报告，在定制主体插入的实验与应用中，相较既有先进方法，该框架在身份保留、文本对齐和图像质量方面表现更优。摘要未提供数据集、划分、对照方法名称、指标或数值，因此无法判断优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供方法层面考察的是“不更新模型参数而调整注意力输出与头间权重”的机制，但原任务依赖图像修补、跨模态示例及生成语义，当前材料不足以建立其与 EEG 瓶颈的具体对应关系，因此不提出 EEG 迁移效果或复现实验建议。已有 EEG 相关工作尚未检索确认。复现原方法需进一步核对预训练模型、潜空间操作细节、输入构造、评估协议及实现可用性。