CACFG：曲率感知的无分类器引导与最优控制

基于摘要分析。本文研究扩散模型中 classifier-free guidance（CFG，无分类器引导）的理论依据，以及高引导强度下生成质量和多样性退化的问题；作者提出连续时间最优控制解释，并据此设计 curvature-aware CFG（CACFG），通过约束采样控制来改善质量与多样性的权衡。主要研究对象是条件图像生成，而非 EEG 或 BCI。 机制上，作者将采样轨迹视为一系列控制选择，目标是最大化期望类别或提示条件的概率。作者报告，求解相应的 Hamilton–Jacobi–Bellman 方程后，在特定路径代价和无约束控制集合下可以恢复 CFG。作者认为，无约束控制允许采样路径过度偏离当前图像估计，是高引导强度失效的原因。CACFG 则将控制集合限制在一个超球面上，其约束依据来自变分自编码器训练中的高斯正则化；具体曲率定义、约束构造及其与采样更新的关系尚未验证。 作者报告，常规 CFG 采样产生的控制输入经常违反该边界；在跨扩散模型、数据集和引导调度的评估中，CACFG 在中高引导强度下获得更好的生成质量，并减轻相较常规 CFG 的质量—多样性权衡。摘要未提供模型与数据集名称、评价指标、结果数值或采样预算，因此不能量化优势，也不能确认各对照是否采用一致设置。实验协议、消融及统计信息尚未验证。 复现时需核对：恢复 CFG 所需的路径代价假设、理论对确定性采样器的适用范围、超球面约束的计算方式，以及不同引导强度下质量和多样性指标的联合变化。当前材料没有建立该机制与神经信号任务的具体对应关系，不据此推断 EEG/BCI 效果；已有 EEG 相关工作尚未检索确认。