DRC：通过解耦表征组合增强个性化图像生成

基于摘要分析。本文研究个性化图像生成：如何结合用户交互历史图像与多模态指令，使生成结果同时满足用户风格偏好和语义意图。作者提出 DRC（Disentangled Representation Composition），通过显式分离并组合风格与语义表征，为 Large Multimodal Models（LMMs）提供用户特定的潜在指令。 作者将现有 LMM 方法的一类失败归因于视觉特征纠缠，并称之为 Guidance Collapse：生成图像不能保留用户偏好的风格，或不能反映指定语义。DRC 分别从历史图像和参考图像提取用户风格偏好与语义意图。训练包含两个阶段：解耦学习采用双塔解耦器，在重建驱动的范式下结合难度感知重要性采样；个性化建模采用保持语义的增强，使解耦表征适应个性化生成。摘要未提供具体损失形式、采样规则及增强操作。 作者报告，在两个基准上的实验显示 DRC 具有竞争性表现，并能缓解 Guidance Collapse。摘要未给出基准名称、数据划分、评价指标、数值或具体对照方法，因此尚不能判断收益幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 研究参考的是分离任务相关因素与个体差异因素的机制，而非图像生成效果本身。假设 EEG 数据中存在可辨识的任务因素与被试因素，可考察双塔解耦和重建约束是否有助于跨被试表征学习；但原方法依赖历史图像、参考图像及风格—语义结构，不能直接等同于 EEG 的被试—任务结构。需改造输入编码、因素约束与增强方式，低信噪比、通道差异和小样本可能导致解耦失败或丢失任务信息。一个可证伪的小实验是在固定跨被试划分下，比较匹配容量的普通编码器与解耦编码器，联合检查任务预测和被试信息残留。相关 EEG 工作尚未检索确认。