校正潜在空间以实现生成式单图像反射去除

基于摘要分析。该研究面向单图像反射去除这一高度不适定的图像恢复问题，将用于图像编辑的潜在扩散模型改造为处理含反射的多层混合图像，目标是改善被反射污染区域的恢复质量与真实场景泛化。 核心机制是校正语义编码器的潜在表示。作者认为，现有潜在空间缺乏将复合图像解释为组成图层线性叠加的内在结构，因而限制了生成模型对反射混合的理解。方法包含三个协同组件：reflection-equivariant VAE，使潜在空间与反射形成的线性物理关系对齐；可学习的任务专用文本嵌入，绕过自然语言描述的歧义以提供针对性引导；深度引导的早期分支采样策略，利用生成过程的随机性探索有潜力的恢复结果。具体等变约束、训练损失、深度信息来源及采样分支选择规则尚未验证。 作者报告，该模型在多个基准上达到新的 SOTA，并能泛化到具有挑战性的真实场景；摘要未提供基准名称、指标数值、数据划分或对照方法，因此目前无法判断提升幅度及比较条件。实验协议、消融及统计信息尚未验证，基础扩散模型、训练数据和复现资源也需查阅全文确认。 本研究的主要对象是图像反射去除，而非 EEG 或 BCI。其阅读价值在于探索物理混合结构与生成模型潜在表示的对齐；摘要并不支持将图像恢复结果解释为神经信号解混效果，已有 EEG 相关工作尚未检索确认。