揭示扩散模型的生成空间：谱引导的质量—多样性扩散框架

基于摘要分析。本文研究标准扩散采样偏向高似然区域、难以覆盖多样化高质量输出的问题，提出 Spectral-Guided Quality-Diversity Diffusion，将质量—多样性（Quality-Diversity，QD）优化与扩散生成结合；主要验证对象是文本到图像生成，而非神经信号或 BCI。 方法包含两个部分：Quality-Diversity Diffusion 直接优化扩散模型的潜在噪声与条件嵌入，并借助嵌入模型量化输出多样性；h-space Spectral Mutation 则分析模型输入到内部激活的 Jacobian 的主要奇异向量，沿语义敏感性较高的方向引导搜索。其核心思路是在生成先验之上主动探索不同输出，而非仅依赖常规采样。 作者报告，在文本到图像生成评估中，与 12 个基线相比，该方法持续取得最低 FID，并据此认为方法较好地兼顾了图像质量与多样性。摘要未提供具体 FID、数据集、生成规模或基线名称，因此尚不能核对收益幅度及不同设置下的稳定性；FID 结果也不足以单独确认语义覆盖范围。 复现需进一步核对质量目标与多样性度量、嵌入模型、搜索预算、Jacobian 谱方向的计算方式及其开销，以及对照方法的资源配置。实验协议、消融及统计信息尚未验证。本文未提供 EEG/BCI 实验依据，不能将图像生成结果改写为神经信号增强或解码收益；已有 EEG 相关工作尚未检索确认。