通过重建空间适应实现单步扩散图像修复

该研究针对单步扩散图像修复缺少渐进纠错机会、单次预测误差直接影响重建的问题，提出重建空间适应：保留预训练时的噪声预测目标，将下游监督延伸至重建潜表示与解码图像，使优化更直接地对齐最终修复目标。基于摘要分析，未取得论文全文。 作者首先分析不同预测目标下预测误差向重建误差的传播。在采用的噪声调度下，velocity prediction 的理论误差放大小于 noise prediction；但作者报告，在所评估训练预算的受控实验中，将预训练所用的预测目标改为 velocity prediction，反而降低了下游适应性能。这一结果限定于相应调度与训练条件，不能据此推断某种预测目标普遍更优。 方法保留 noise prediction，并在预测空间之外加入重建潜表示和解码图像层面的监督。此外，独立样本平均用于降低采样引起的输出波动，轻量残差细化器用于修正剩余的图像空间误差。具体损失形式、权重、采样次数及细化器结构尚未验证。 作者报告，在 Places2 和 CelebA-HQ 的受控适应设置下，该策略带来一致的重建改善，并取得有竞争力的图像修复表现。摘要未提供具体指标、数值、数据划分或对照基线；实验协议、消融及统计信息尚未验证。复现时需核对预训练模型、噪声调度、遮挡协议、训练预算，以及样本平均和细化器对质量与推理成本的分别影响。 原研究对象是图像修复，摘要未提供 EEG 或 BCI 验证，也未建立神经信号任务的具体机制对应；不能将其图像重建结果视为 BCI 有效性证据。