FeatInv：使用条件扩散模型实现从特征空间到输入空间的空间分辨映射

基于摘要分析。FeatInv 研究计算机视觉模型内部表征难以解释的问题，提出利用空间分辨特征图条件化预训练高保真扩散模型，以概率方式学习从特征空间到输入空间的映射，借助输入重建帮助理解模型表征。 核心机制是将分类器的特征图作为扩散生成的条件，而非仅用粗略近似进行特征反演。作者报告，该方法在从 CNNs 到 ViTs 的多种预训练图像分类器上具有较好的重建能力，并通过定性比较与鲁棒性分析展示其可行性。摘要还列出概念引导在输入空间中的可视化，以及对特征空间复合性质的研究等应用。具体条件注入方式、训练目标、特征提取位置、数据集、划分、评价指标及对照结果尚未验证，不能据此判断其相对优势幅度。 阅读时需核对重建结果究竟保留了哪些分类器表征信息，以及视觉细节有多少来自预训练扩散模型的生成先验；图像逼真与表征忠实并非同一评价目标。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 编码器保留通道与时间位置结构，条件特征反演可能用于检查模型表征保留的信号成分。可借鉴的是特征条件化与概率重建思路；图像扩散先验不能直接用于 EEG，需要适配信号生成模型、通道布局和时间结构。低信噪比、跨被试差异、通道缺失及小数据可能使生成先验掩盖真实信号。一个可检验的小实验是在固定 EEG 编码器与独立留出数据上，比较条件生成反演和简单解码器的重建及再编码特征一致性，并打乱条件特征检验模型是否真正利用表征。已有 EEG 相关工作尚未检索确认。