通过潜空间锚定实现可扩展至新域的非配对图像翻译

基于摘要分析。本文研究非配对图像到图像翻译（UNIT）中新增视觉域时的模型扩展问题，提出 latent space anchoring，将不同域的图像锚定到冻结 GAN 的同一潜空间，避免新增域时重新训练既有域的编码器与解码器。 机制上，方法通过学习轻量级编码器与回归器重建单域图像，建立不同域与共享潜空间的对应关系。推理时，可任意组合不同域已学习的编码器与解码器，完成两域间翻译而无需微调。其主要贡献是域扩展与模块复用，而非状态空间模型；来源分类不能替代论文内容判断。摘要未说明具体重建损失、GAN 的预训练数据或各模块的训练细节。 作者报告，在多个数据集上的标准 UNIT 与域可扩展 UNIT 任务中，该方法优于所比较的当时先进方法。摘要未提供数据集名称、划分、指标与数值，因此无法判断优势幅度或跨任务稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若不同 EEG 域能够映射到具有共同生理语义的潜空间，冻结共享生成先验、仅学习新域映射的思路可能用于降低跨被试或跨会话接入成本。但原研究依赖图像数据、冻结 GAN 先验及单域重建监督，并未验证 EEG。迁移需改造信号编码、生成与重建模块；低信噪比、通道差异和小样本可能使潜空间保留域特征而非任务信息。一个可证伪的小实验是固定共享潜空间，在独立新会话数据上比较仅训练新域映射与全量微调，核对相同标注预算下的任务表现及旧域性能。已有 EEG 相关工作尚未检索确认。