Diffusion Transformers 中的潜空间解耦实现零样本细粒度语义编辑

基于摘要分析。本文研究文本到图像生成中，Diffusion Transformers（DiTs）的文本与图像潜表示如何分别及共同影响生成图像的语义，并提出 Extract-Manipulate-Sample（EMS）框架，用于零样本细粒度图像编辑。主要研究对象是图像生成与编辑，而非 EEG 解码或 BCI。 作者报告，DiTs 的文本与图像潜空间均具有可分解性，二者共同构成解耦的语义表示空间，且有效编辑需要联合利用这两类潜表示。EMS 首先借助多模态大语言模型，将输入图像与编辑目标转换为文本描述；随后依据目标编辑程度线性操纵文本嵌入，并通过受约束的 score distillation sampling 操纵图像嵌入。摘要未给出约束形式、优化目标与采样细节，因此尚不能判断其语义控制与非目标内容保持之间的具体权衡。 评估方面，作者提出用于量化扩散模型潜空间解耦程度的新指标，并构建结合人工标注、人工评价和自动指标的细粒度编辑基准。作者报告实验与分析支持所述解耦性质及 EMS 的有效性，但摘要未提供具体模型、数据规模、对照基线或定量结果；实验协议、消融及统计信息尚未验证。作者声明标注基准已公开，其实际可访问性及复现所需的代码、模型与配置尚未验证。 该方法依赖图像—文本语义表征、多模态大语言模型和扩散生成过程，现有材料未建立这些机制与 EEG 信号结构或 BCI 任务之间的具体对应关系，故不据此提出迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。