EQ-VAE：通过等变性正则化潜空间改进生成式图像建模

EQ-VAE 针对图像潜空间生成模型中自编码器缺乏变换等变性的问题，提出以等变性正则化简化潜空间，从而改善后续生成建模。基于摘要分析，本文的主要研究对象是图像生成，而非 EEG 或 BCI。 原有流程先用自编码器压缩图像，再由生成模型学习潜变量分布。作者认为，现有自编码器对缩放、旋转等语义保持变换缺乏等变性，使潜空间更复杂。EQ-VAE 通过微调预训练自编码器约束这一性质；等变性强调输入变换与潜表示变换之间的对应关系，并非要求表示对变换完全不变。具体变换算子、正则损失形式及其权重尚未验证。 作者报告，该方法不降低重建质量，并改善 DiT、SiT、REPA 和 MaskGIT 的生成表现，兼容连续与离散自编码器。作者还报告，仅对 SD-VAE 微调五个 epoch，便在 DiT-XL/2 上取得原文所述“7 speedup”；摘要未明确该数字的单位、加速参照、目标质量或计算预算，不能据此确定为训练或推理速度提升七倍。数据集、划分、具体质量指标、对照协议、消融及统计信息尚未验证。摘要提供了项目与代码入口，但实现内容及复现条件尚未核对。 平台推测（待验证）：可迁移的假设是，为 EEG 自编码器加入具有明确生理或任务意义的变换对应约束，可能改善潜表示建模；图像旋转与缩放不能直接视为 EEG 的语义保持操作。需重新定义信号变换和潜空间作用，并核对其是否保留标签。低信噪比、跨被试差异、通道布局变化及小数据可能使约束失效。一个可证伪的小实验是在固定被试内划分、相同模型与预算下，对比有无该正则的重建误差及下游任务表现，并独立检查所选变换是否改变任务信息。已有 EEG 相关工作尚未检索确认。