SVDiff：用于扩散模型微调的紧凑参数空间

基于摘要分析。SVDiff 研究文本到图像扩散模型的个性化微调，针对多主体定制、过拟合及适配参数存储开销，提出微调权重矩阵奇异值的紧凑参数化方法，并引入 Cut-Mix-Unmix 数据增强及简单的文本驱动图像编辑框架。 核心机制是将微调对象限定为权重矩阵的奇异值，而非直接更新大量权重参数。作者认为，这种紧凑参数空间能够降低过拟合与 language-drifting（语言漂移）风险。Cut-Mix-Unmix 用于改善多主体图像生成，但其样本构造、监督方式及与微调过程的配合尚未验证；摘要也未提供具体损失、训练配置或图像编辑流程。 作者报告，相较于 vanilla DreamBooth，SVDiff 的参数数量约少 2,200 倍。该比较处于扩散模型个性化微调语境，摘要未交代参数计数范围，不能据此断言完整生成模型的总参数、存储体积或推理成本均缩减相同比例。图像质量、主体保真度、多主体组合效果及语言漂移的评估指标、数据划分、消融和统计信息尚未验证。 平台推测（待验证）：其可迁移价值主要在于奇异值微调这一参数高效适配机制，而非图像生成或 Cut-Mix-Unmix 本身。假设已有预训练 EEG 模型需要小样本跨被试或跨会话适配，可尝试复用权重矩阵的奇异值参数化；需另行确定适配层、任务监督及信号预处理。风险是固定的权重方向可能不足以表达被试差异与通道变化，低信噪比也可能使少量适配参数拟合噪声。可在固定被试划分和标注预算下，对照奇异值微调、全参数微调与冻结模型，核对任务指标、适配参数量及多次运行波动。上述仅为可检验假设，相关 EEG 工作尚未检索确认。