无混淆的否定：通过文本嵌入中的偏置分解与风格重组实现否定感知图像生成

基于摘要分析。本文研究文本到图像扩散模型难以遵循否定约束的问题，提出无需训练的 Decompose and Recompose text embedding（Dero），通过分解并重组文本表示，使生成结果更符合预期否定语义，同时保留风格与图像质量。主要研究对象是图像生成，而非 EEG 解码或 BCI。 作者将问题归因于文本表示中隐含语言偏置与语义的纠缠：与偏置一致的语义可能压过用户明确给出的否定约束。Dero 使用辅助提示构造语义保留子空间与偏置子空间，基于双向 SVD 进行语义解耦，再选择性重组语义成分，并恢复残余风格特征。摘要未提供辅助提示的构造规则、子空间估计细节及重组参数，具体实现尚未验证。 该方法仅操作文本表示，定位为模型无关的推理时框架。作者报告，其可用于 U-Net 和 DiT 扩散架构，并在对象级与概念级否定生成实验中改善文本—图像对齐、语义保真和人类偏好。摘要未列出数据集、对照方法、指标数值或人类评估协议，因此不能判断改进幅度、统计可靠性或不同架构间的一致程度；实验协议、消融及统计信息尚未验证。 核对全文时，重点应是子空间能否区分语言偏置与目标语义，以及恢复风格成分是否会重新引入被排除的内容。现有材料未建立这一文本嵌入机制与 EEG 信号瓶颈的具体对应关系，不宜将图像生成结果外推为 BCI 方法收益。相关 EEG 工作尚未检索确认。