Kingfisher：通过尺度感知的提示条件尺度分解实现快速个性化视觉自回归生成

基于摘要分析。该研究面向个性化图像生成，提出 Kingfisher：不调整生成器参数，而是分解并重组视觉自回归模型的早期尺度码，将两张真实图像中的内容与风格组合为生成前缀，再由冻结生成器完成后续细化。 核心机制：作者观察到，自回归生成中一小段早期尺度码即可强烈影响物体结构与整体外观，后续尺度主要沿既定生成轨迹细化。Kingfisher 利用提示条件的尺度码子空间，将早期残差尺度码分解为内容相关和风格相关成分；随后组合一张图像的内容成分与另一张图像的风格成分，形成紧凑语义前缀。冻结生成器通过 bitwise self-correction 预测剩余尺度。与依赖主体专属权重、文本嵌入、LoRA 或适配器优化的个性化路线相比，其方法特点是直接操作生成器原生尺度空间表示，而非调优模型。 结果：在 CSD-100 实验中，作者报告该方法具有较强的内容保持能力，并在所评估方法中获得最高的风格与文本对齐表现；与所比较的扩散方法和 VAR 方法相比，图像配对专属准备阶段分别约快 54 倍和 7.5 倍。这些数字仅对应摘要所述的配对准备阶段，不能等同于端到端生成加速；具体指标、对照方法、硬件与计时边界尚未验证。 复现关注点包括提示条件子空间的构造方式、内容与风格分量的分解准则、早期尺度的选择，以及 bitwise self-correction 的具体实现。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内容与风格重组，摘要未建立与 EEG 或 BCI 的具体机制对应，因此不据此推断神经信号生成或解码效果。