面向文本到图像生成的范数引导潜空间探索

基于摘要分析。本文研究文本到图像扩散模型中初始噪声种子潜空间的几何结构，提出考虑种子范数先验的非欧氏插值方法及相应质心计算，用于改善少样本与长尾场景下的稀有概念图像生成。 核心机制是：作者观察到，现有训练过程中扩散模型接触的输入范数集中在较窄范围，因此按标准欧氏或球面度量进行种子插值、计算质心，可能无法充分反映模型训练时的输入分布。论文据此提出两种子间的插值方法；作者称该方法定义了一种纳入范数先验的新非欧氏度量，并给出简单高效的近似算法，进一步用于定义种子潜空间的质心。摘要未提供度量公式、近似误差或具体实现条件。 作者报告，新插值与质心方法显著改善稀有概念图像生成，并在其少样本与长尾基准评估中达到当时最先进的表现，相较既有方法改善生成速度、图像质量和语义内容。摘要未列出基准名称、数据划分、对照方法、指标或具体数值，因此这些结论的适用范围、实验协议、消融及统计信息尚未验证。 该研究的主要对象是图像扩散模型的初始种子几何，而非神经信号解码或 BCI。其机制依赖扩散模型输入的范数分布，不能据此直接推导 EEG 表征也具有同样结构；现有材料不足以建立具体迁移路径，尚未检索确认已有 EEG 相关工作。复现时应优先核对范数先验的估计方式、非欧氏插值及质心算法、所用生成模型，以及质量与速度比较的评估条件。