MoG-Diff：用于可控扩散桥生成的高斯混合潜空间结构化

MoG-Diff 针对扩散桥自编码潜空间缺少语义组织和显式生成模式控制坐标的问题，以高斯混合结构表示样本，并支持分量条件生成及模式间传输。基于摘要分析，研究主要面向图像表征学习、重建与可控生成，并非 EEG 或 BCI 方法验证。 方法将每个样本表示为一个混合分量及相对于该分量的残差，通过变分混合推断学习分量组织，再由任务自适应接口将结构化潜变量连接到端点条件化的扩散桥。作者以逐点 Doob h-transform 分析论证其与扩散桥构造的兼容性。该结构支持分量条件生成、保持残差的成对传输、责任度控制的成对传输，以及多分量责任度单纯形控制；核心贡献是让混合结构不仅充当表征先验，也成为生成过程的控制几何。 作者报告，在 MNIST 和 Fashion-MNIST 上，MoG-Diff 的聚类指标在所评估方法中最优，实现按分量多数类别统计的完整类别覆盖，并取得最低的 Conditional Feature FID；摘要未列出具体分数及完整对照方法。在 CelebA 上，作者报告其重建表现与 DBAE 相当或略好，并提供分量生成和传输的自然图像定性结果，不能据此推断所有生成质量指标均有提升。 在摘要所述责任度控制评估中，作者报告成对控制的 MAE 从 0.2065 降至 0.0356，三分量单纯形控制的 MAE 从 0.0644 降至 0.0227。摘要未明确这些数值对应的数据集、对照控制方式、误差定义及数据划分，因此只能作为特定控制任务的报告结果，不能与其他协议直接比较。 复现时需核对混合分量数及其选择方式、残差与责任度的具体定义、变分目标、任务自适应接口，以及控制误差的计算协议。实验协议、消融及统计信息尚未验证，代码与运行条件亦未获确认。材料未提供神经信号实验；已有 EEG 相关工作尚未检索确认，图像域的可控生成结果不构成 BCI 有效性的证据。