SC2GAN：通过自校正相关 GAN 空间重新审视纠缠问题

基于摘要分析。该研究针对图像 GAN 潜空间中的属性纠缠：训练数据中非因果相关的视觉属性经常共同出现，使单一属性编辑伴随其他属性变化。作者以 StyleGAN2-FFHQ 模型为研究对象，提出 SC2GAN，通过补充稀有属性组合对应的潜码并校正编辑方向，缓解这种伪相关带来的纠缠。 方法利用已有的有意义潜空间方向及与特定语义区域相关的层，对原始潜码进行插值，生成训练分布中较少出现的属性组合图像，再将这些图像反演回原始潜空间。随后结合高密度与低密度区域的样本修正编辑方向。其与摘要所述既有方法的区别，在于不仅调整方向以限制其他属性变化，还尝试补充原潜空间中覆盖不足的属性组合。 作者报告，将该框架用于已有潜空间方向学习方法时，仅加入少量低密度区域样本即可改善属性解耦。摘要未提供具体样本量、评价指标、效果数值或对照方法名称，因此无法判断改善幅度及适用边界；实验协议、消融及统计信息尚未验证。复现时需核对低密度样本的构造与筛选、图像反演质量、方向校正过程，以及目标属性变化与非目标属性保持的评价方式。 该工作的主要对象是图像生成与属性编辑，并非状态空间模型或 EEG/BCI 方法。材料未提供神经信号上的机制验证，不据此推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。