EQ-VAE：以等变性正则化潜空间改进图像生成建模

EQ-VAE 研究图像潜变量生成模型中自编码器的表征问题，提出通过等变性正则化，使潜空间更好地响应缩放、旋转等保持图像语义的变换，从而改善下游生成建模。基于摘要分析，未取得论文全文；研究对象是图像生成，并非 EEG 或 BCI。 核心机制：作者认为，现有自编码器缺乏对上述变换的等变性，使潜空间分布复杂、增加生成建模难度。EQ-VAE 通过微调预训练自编码器约束潜空间的变换行为；等变性强调输入变换与潜表示变换相对应，而非要求表示完全不变。具体损失形式、变换实现及潜空间复杂度的测量方式尚未验证。 结果与适用范围：作者报告，该方法在不降低重建质量的情况下改善 DiT、SiT、REPA 和 MaskGIT 等生成模型，并在仅进行五个 epoch 的 SD-VAE 微调后，使 DiT-XL/2 获得 ×7 加速。摘要未明确该加速对应的计算环节、目标质量、比较基线和资源条件，不能据此解释为推理速度提升。作者还报告方法兼容连续与离散自编码器。数据集、评估指标、实验协议、消融及统计信息尚未验证；材料提供了项目与代码入口，但实现及复现条件未核对。 平台推测（待验证）：可迁移的假设是，以任务语义保持的信号变换约束 EEG 编码器，或可改善潜表示结构；但图像缩放与旋转不能直接视为 EEG 的语义保持变换。可复用的是等变性正则思路，需改造输入变换、潜空间对应操作及信号重建目标。低信噪比、跨被试差异、通道布局变化和小数据均可能使约束失效，或抹除任务相关信息。一个小规模可证伪实验是在固定 EEG 数据划分下，对同一编码器比较有无该正则，先核验候选变换是否保留任务标签，再分别测量重建误差、等变误差与下游任务指标。已有 EEG 相关工作尚未检索确认。