EQ-VAE：通过等变性正则化潜空间改进生成式图像建模

基于摘要分析。本文研究生成式图像建模中自编码器潜空间的结构问题，提出 EQ-VAE，以等变性正则化改善潜空间，供后续生成模型学习潜变量分布。主要研究对象是图像生成，而非 EEG 或 BCI。 核心机制是约束自编码器对缩放、旋转等语义保持变换的潜空间响应。作者认为，现有自编码器缺乏这类等变性，使潜空间更复杂并妨碍生成模型学习；EQ-VAE 通过微调预训练自编码器施加正则化。这里的等变性指输入变换应对应潜表示的相应变换，而非要求表示对变换完全不变。具体损失形式、变换采样方式及潜空间变换的实现尚未验证。 作者报告，该方法在不降低重建质量的情况下改善 DiT、SiT、REPA 和 MaskGIT 等生成模型的表现，并同时适用于连续与离散自编码器。作者报告，仅对 SD-VAE 微调五个 epoch，即在 DiT-XL/2 上取得 ×7 加速；但摘要未明确加速所指的训练过程、达到何种质量目标或比较基线，不能将其直接解释为推理吞吐提升。数据集、数据划分、评价指标、算力条件、消融及统计信息尚未验证。 平台推测（待验证）：等变性正则化可能为 EEG 表征学习提供机制层面的参考，但前提是能够定义与任务标签兼容的信号变换及其潜空间对应关系。图像的旋转、缩放不能直接视为 EEG 的语义保持变换；通道布局差异、低信噪比和小数据条件可能使约束引入错误归纳偏置。可复用的是预训练编码器微调与等变性约束思路，需改造的是信号变换、潜表示变换及任务保持条件。一个小规模检验是假设经核验的变换不改变任务标签，在固定被试内划分下比较同一编码器有无该正则化时的重建质量和下游解码表现。已有 EEG 相关工作尚未检索确认，该设想不构成 BCI 有效性证据。