跳到正文

算法、任务与模态

Diffusion 最新动态

Diffusion 研究索引；按可核对的标签归档，不以热度评价质量。

395 条精选近 30 天 145 条共收录 465 条

更新

精选归档 · 第 20 页

1月1日周日第 381–395 条
  1. OpenReview · State space models77

    用于文本到图像个性化的神经时空表示

    基于摘要分析。本文研究文本到图像个性化中如何表示目标概念，提出同时依赖去噪时间步与去噪 U-Net 层位置的神经时空表示，以小型 neural mapper 的参数存储个性化概念，而不微调生成模型本身。 这里的“时间”指去噪过程的时间步，“空间”指 U-Net 的层位置，并非物理时空。每个概念在该表示中对应数百个向量，分别关联时间步与层位置的组合。为避免直接优化全部向量，作者训练一个接收当前时间与层位置参数的 neural mapper，输出相应 token embedding；该输出位于文本编码器的输入空间，使概念表示能够随生成过程中的条件变化。 作者还引入 textual bypass：neural mapper 额外输出一个残差，并将其加到文本编码器输出上。作者报告，这一设计能够改善概念学习的收敛与视觉保真度。此外，作者对隐式表示施加基于重要性的排序，使用户通过同一个训练模型控制概念重建与可编辑性，但摘要未交代排序的具体实现及控制方式。 作者报告，在多种概念与提示词上，该方法能够生成高质量、可控的组合，且无需微调生成模型参数。摘要未提供具体数据集、训练图像数量、评价指标、对照基线或存储开销，因此无法量化其相对收益；实验协议、消融及统计信息尚未验证。复现需进一步核对 neural mapper 结构、训练目标、时间步与层位置编码、残差注入方式及重要性排序规则。 本文的主要研究对象是图像生成个性化，而非 EEG 或 BCI。摘要未提供神经信号任务中的验证，也未建立明确的机制对应关系，不能将其生成质量结论视为 BCI 有效性的证据；相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的是以小型 neural mapper 隐式生成随去噪时间步与 U-Net 层变化的概念表示，并通过 textual bypass 改善表示能力的机制；其存储、重建与可编辑性之间的权衡仍需结合全文实验核对。

  2. OpenReview · State space models73

    通过从基础到高级的层次化扩散模型实现细致的文本到动作合成

    基于摘要分析。该研究面向文本引导的 3D 人体动作合成，提出 Basic-to-Advanced Hierarchical Diffusion Model（B2A-HDM），试图同时提升动作与文本的对应关系及动作细节，而非研究 EEG 解码或 BCI。 作者认为，既有方法在原始数据分布或低维潜空间中执行扩散，分别可能面临模态不一致或细节不足的问题。B2A-HDM 将生成过程分为两个层次：低维潜空间中的基础扩散模型提供与文本描述一致的中间去噪结果；高维潜空间中的高级扩散模型随后执行细节增强去噪。高级模型还采用多去噪器框架，旨在降低高维模型的学习难度并发挥扩散模型的生成能力。摘要未说明潜空间的构建方式、两个阶段的具体连接方式、多去噪器分工及损失形式。 作者报告，在 HumanML3D 和 KIT-ML 两个文本到动作基准上的定量与定性实验中，B2A-HDM 在保真度、模态一致性和多样性方面优于既有先进方法。摘要未提供具体指标、数值、数据划分或基线名称，不能据此判断提升幅度；实验协议、消融及统计信息尚未验证，代码与复现条件也尚未验证。 平台推测（待验证）：其“先确定低维条件结构、再补充高维细节”的机制可作为条件 EEG 生成的研究假设，但原领域有效不等于 BCI 有效。可复用的是两阶段扩散分工，需改造的是 EEG 表征、条件输入与生理约束；原方法依赖文本—动作配对及低维、高维潜表示，训练规模未知。EEG 的低信噪比、跨被试差异、通道变化和小样本可能使细节增强变成噪声增强。一个可证伪的小实验是在固定被试内划分与相同训练数据下，对比单阶段和两阶段条件生成，检查频谱、空间协方差及独立真实测试集上的解码表现，而非仅比较生成外观。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以低维扩散约束文本一致性、再以高维扩散增强动作细节的分工机制，但性能优势及多去噪器的独立贡献仍需核对全文实验。

  3. OpenReview · State space models80

    用于图生成的自回归扩散模型

    基于摘要分析。本文研究通用图与分子图生成，提出自回归扩散模型，在离散图空间中逐节点吸收与重建图，区别于对去量化邻接矩阵施加 Gaussian diffusion 的一次性生成方法。作者将后者的训练困难、采样缓慢及约束融入困难作为研究动机，但摘要未具体说明新方法如何实施约束。 核心机制包括两个网络：前向扩散中的 diffusion ordering network 根据图拓扑学习数据依赖的节点吸收顺序；反向生成中的 denoising network 按逆序重建，每一步预测新增节点的类型及其与此前已去噪节点之间的边。作者基于图的置换不变性，给出通过优化数据似然下界联合训练两个网络的方法。具体网络结构、下界形式、顺序学习方式及推理开销尚未验证。 作者报告，在六个不同的通用图数据集和两个分子数据集上，相较此前最先进方法，模型取得更好或相当的生成表现，同时具有较快的生成速度。摘要未提供数据集名称、划分、评价指标、具体数值或速度测量条件，因此无法进一步比较质量与效率；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被表示为具有明确节点与边定义的功能连接图，该方法可作为连接图生成的候选机制，而不是直接生成 EEG 时序或完成 BCI 解码。可复用部分是离散图扩散及顺序学习，需改造部分包括通道节点语义、连续边权表示与条件信息。依赖图拓扑学习顺序也可能受到低信噪比、跨被试差异、通道配置变化和小数据规模影响。一个可检验的假设是：在固定通道与建图规则下，该机制能更好保持连接图结构；可采用按被试隔离的训练与测试，对照一次性图扩散，比较图统计分布与生成耗时。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其离散图空间中的节点吸收扩散与可学习生成顺序机制，并核对生成质量和采样速度的权衡；其对 EEG 图建模的价值尚未验证。

  4. OpenReview · State space models71

    基于模型的潜在空间上的去噪扩散模型

    基于摘要分析。该研究的主要对象是图像生成：以传统有损图像压缩技术构建的模型式编码替代预训练自编码器的潜在编码，探索降低扩散生成的计算成本及潜在空间生成的适用边界。贡献还包括在离散空间内训练连续扩散模型的一种近似方案，以及面向类别值的生成模型改进。 技术机制：作者以潜在空间扩散为出发点，指出预训练自编码器可通过空间压缩和舍弃不可感知的图像细节降低生成建模难度；本文进一步改用基于传统压缩技术的编码方案。这里的“model-based”指编码方式，摘要并未说明采用何种状态空间模型，也未给出具体压缩算法、离散表示、近似公式、损失函数及类别值建模细节，因此不能据此还原实现。 证据与复现：作者报告在所研究问题上取得良好结果，并认为方法有望适用于图像之外的数据类型；摘要未提供可核对的指标、数据集、对照基线或资源测量条件。生成质量与计算开销之间的权衡、压缩失真影响、实验协议、消融及统计信息尚未验证。复现需取得全文，确认编码与解码流程、量化设置、扩散训练及采样方式，并在一致评估条件下比较质量和资源开销。 平台推测（待验证）：若迁移至 EEG，可检验的假设是以适配时序信号的压缩及离散表示降低生成成本，而不是直接套用图像编码器。可能复用的是离散空间中的扩散训练思路，需要改造的是信号表示与失真约束；低信噪比、通道差异、跨被试变化及小数据可能使压缩误删任务相关信息。一个小实验是在固定被试内数据划分和生成模型预算下，比较原始表示与压缩表示的生成质量、任务信息保留及资源开销。该方案仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对的是以传统有损图像压缩编码替代预训练自编码器、并在离散潜在空间中训练扩散模型的机制与计算收益，但摘要不足以验证生成质量、资源开销或 EEG 迁移价值。

  5. OpenReview · State space models76

    CDiffMR：能否用 k-space 欠采样替代高斯噪声以实现快速 MRI？

    基于摘要分析。本文研究减少 MRI 采集测量后的快速图像重建，提出基于 Cold Diffusion 的 CDiffMR：以 k-space 欠采样作为退化过程，替代传统扩散模型中的高斯噪声，并训练恢复网络执行去混叠。研究对象是 MRI 重建，而非 EEG 解码或 BCI 算法。 核心机制是将扩散式恢复过程与 MRI 的欠采样退化相对应。作者还设计了起点策略和数据一致性条件策略，用于引导并加速逆向恢复过程。摘要未给出欠采样调度、恢复网络结构、损失函数及两类策略的具体实现，这些细节尚未验证。 作者报告，预训练 CDiffMR 可复用于不同欠采样率的重建任务；在其数值与视觉实验中，重建效果与所比较的先进模型相当或更好。作者还报告，相较其扩散模型对照，CDiffMR 获得具有竞争力的重建结果时，推理耗时仅为对照的 1.6–3.4%。该比例对应摘要所述 MRI 重建对照实验，具体数据集、欠采样率、图像质量指标、采样步数、硬件与计时口径均尚未验证，不能据此推广为普遍加速比例。 复现重点是核对欠采样退化与实际采集过程的匹配程度、不同欠采样率复用的训练与测试边界，以及数据一致性约束对速度和质量的贡献。摘要提供了公开代码地址，但代码内容、实验协议、消融及统计信息尚未验证。该方法依赖 MRI 的 k-space 测量结构，不能直接等同于 EEG 缺失通道或低信噪比问题的解决方案；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其以 k-space 欠采样替代高斯噪声的 Cold Diffusion 机制，以及起点与数据一致性条件策略能否在保持重建质量的同时显著降低推理耗时；摘要中的速度和跨欠采样率复用结论仍需全文验证。

  6. OpenReview · Representation learning77

    SODA：用于表征学习的瓶颈扩散模型

    SODA 研究如何让扩散模型不仅生成图像，还能通过自监督学习获得视觉语义表征；其核心是以紧信息瓶颈连接图像编码器与去噪解码器，并用相关新视图的生成作为学习目标。基于摘要分析，未取得论文全文。 机制上，图像编码器将源视图压缩为紧凑表征，再由该表征引导去噪解码器生成相关的新视图。作者提出，瓶颈约束与新视图合成目标的结合可以促使模型在无监督条件下捕获视觉语义，而不只是完成图像生成。摘要未提供具体损失形式、瓶颈容量、视图构造方式或训练规模，这些实现条件尚未验证。 作者报告，SODA 能在 ImageNet 上完成 linear-probe classification，并在多个未具名数据集上执行重建、编辑与合成任务；摘要未给出分类分数、数据划分或对照基线。作者还报告，其潜在空间呈现解耦特性，可作为控制和修改生成图像的接口。关于“首个成功完成 ImageNet 线性探测分类的扩散模型”的表述属于作者据其所知提出的优先性主张，尚未独立核实。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，通过压缩源观测并生成语义相关观测，促使 EEG 表征保留任务信息而非局部噪声。原机制依赖图像视图之间的语义关联；迁移时可借鉴编码器—瓶颈—条件去噪结构，但需重新定义 EEG 的有效视图、信号解码器及条件输入。低信噪比、通道差异与跨被试变化可能使模型学习噪声或身份特征，小数据也可能不足以支撑生成训练。可先在固定被试内划分、避免同一试次跨训练与测试集的条件下，对照紧瓶颈与宽瓶颈版本，冻结编码器后用同一线性分类器评估表征，以检验瓶颈是否有益；这不是已证实的 BCI 效果。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其紧信息瓶颈与新视图合成目标如何促使扩散模型学习可线性评估的视觉表征，但该机制对 EEG 表征学习的适用性尚未验证。

  7. OpenReview · EEG72

    利用生成式扩散模型进行癫痫发作预测的数据增强

    基于摘要分析。本文研究 EEG 癫痫发作预测中的数据增强问题，提出扩散式增强方法 DiffEEG，通过逐步加噪与去噪生成合成 EEG 样本，旨在增加训练数据多样性并改善分类器表现。 核心机制包含两个过程：扩散过程逐步向 EEG 输入加入不同尺度的噪声，直至转化为随机噪声；去噪过程利用学习到的数据分布，从随机噪声出发逐步生成合成数据。作者认为，随机噪声输入有助于增加样本多样性，而学习到的表示可保持特征空间的一致性。摘要未提供去噪网络结构、训练损失、采样步骤及条件生成方式，这些实现细节尚未验证。作者将已有增强方法概括为线性变换并据此提出生成式增强动机，该概括的适用范围仍需结合正文核对。 作者将 DiffEEG 与原始数据、down-sampling、sliding windows 和 recombination 方法比较，并结合五种代表性分类器进行实验。作者报告，在使用 DiffEEG 增强的 Multi-scale CNN 上，CHB-MIT 数据库的平均敏感度为 95.4%、FPR 为 0.051/h、AUC 为 0.932；Kaggle 数据库对应为 93.6%、0.121/h 和 0.822。摘要未说明被试数量、数据划分、预测时间窗口、发作前期定义及平均方式，因此这些数值不能据此用于跨协议比较。作者称其达到最先进表现，但具体对照范围与公平性尚未验证。 阅读与复现的重点是确认扩散模型与分类器的数据划分关系、合成数据比例，以及增强收益在不同分类器和被试上的稳定性；还需核对合成信号的生理合理性与生成成本。实验协议、消融及统计信息尚未验证。本文直接面向 EEG 癫痫发作预测，其结果不应自动外推为运动想象、SSVEP 或其他 BCI 任务中的有效性证据。

    阅读价值：DiffEEG 将生成式扩散用于 EEG 癫痫发作预测的数据增强，并与多种增强方式及分类器比较，值得核对其合成样本效用及评估协议，但摘要结果尚不能确定跨被试或跨会话泛化能力。

  8. OpenReview · State space models71

    CoLa-Diff：用于多模态 MRI 合成的条件潜在扩散模型

    基于摘要分析。该研究针对临床中 MRI 模态缺失的问题，提出条件潜在扩散模型 CoLa-Diff，利用多模态 MRI 输入合成缺失模态，重点处理图像域扩散的内存开销、解剖结构保持及多条件信息平衡。其主要研究对象是 MRI 图像合成，并非 EEG 解码或 BCI 算法。 核心机制包括：将扩散过程转移到潜在空间，以降低内存消耗；引入摘要称为 similar cooperative filtering 的网络设计，以应对潜在空间中的压缩与噪声问题；将脑区掩码作为密度分布先验，引导扩散过程保持解剖结构；通过 auto-weight adaptation 自适应利用多模态条件信息。摘要未提供潜在表示的编码方式、过滤模块结构、先验注入位置、权重更新规则及损失函数，具体实现尚未验证。 作者将现有方法主要采用单模态输入、在原始图像域运行及解剖结构保持不足作为研究动机，并声称 CoLa-Diff 是首个基于扩散的多模态 MRI 合成模型；该优先性声明尚未独立核验。作者报告，CoLa-Diff 在其 MRI 合成实验中优于所比较的先进方法，但摘要未列出数据集、样本规模、输入与目标模态组合、数据划分、对照方法、评价指标或具体数值，因此无法判断性能提升幅度及适用范围。 复现需进一步核对多模态影像配准、脑区掩码来源及推理时可用性、潜在空间压缩对细微结构的影响，以及显存、生成耗时和解剖一致性的测量方式。实验协议、消融及统计信息尚未验证，代码与权重的可获得性也未由材料确认。当前材料没有提供与 EEG/BCI 的具体机制对应或验证结果，不能据此推断其对 BCI 的有效性。

    阅读价值：值得关注其在潜在空间中结合脑区掩码先验与多模态条件自适应加权的 MRI 合成机制，但摘要不足以验证性能优势、解剖保真度及实际显存收益。

  9. OpenReview · State space models77

    WildFusion：在视图空间学习 3D 感知潜在扩散模型

    基于摘要分析。WildFusion 研究从自然场景图像数据学习 3D 感知图像合成的问题，针对共享规范坐标系难以定义的情形，改在视图空间建模实例，并通过具备 3D 感知能力的自编码器与潜在扩散模型实现图像生成和新视角合成。 核心机制分为两个阶段：首先训练自编码器，将图像压缩为同时捕获其底层 3D 结构的潜在表示，使其不仅支持重建，也支持新视角合成；该阶段利用单目深度预测提供的线索学习 3D 表示。随后在这一 3D 感知潜在空间中训练扩散模型，以生成具有 3D 一致性的图像。摘要未说明具体网络结构、深度线索的约束方式、损失函数及推理流程。 相对于在共享规范空间中表示实例的方法，该工作的关键变化是以视图空间为建模基础。作者指出，在这一设置下，已有 GAN 方法容易生成扁平几何，并在分布覆盖上遇到困难；作者报告 WildFusion 能生成高质量、3D 一致的样本，并优于近期先进 GAN 方法，但摘要未提供数据集、划分、对照方法名称或量化指标，尚不能判断优势的幅度与适用范围。 作者强调，训练不使用多视角图像或 3D 几何的直接监督，也不需要附带相机位姿的图像或学习位姿、相机分布；这不等同于完全不使用几何线索，因为方法明确依赖单目深度预测。复现时需核对深度预测器及其训练来源、自编码器的几何约束、潜在空间构建方式，以及新视角一致性与分布覆盖的评估协议。实验协议、消融及统计信息尚未验证。 原论文的主要对象是 3D 图像与内容生成，而非神经信号分析。现有材料未建立其视图空间和单目深度机制与 EEG/BCI 瓶颈的具体对应关系，因此不据此提出迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其如何利用单目深度线索在视图空间构建支持新视角合成的潜在表示，以及相对 GAN 方法的几何一致性和分布覆盖优势；摘要未提供直接对应 EEG/BCI 的机制或证据。

  10. OpenReview · State space models72

    K-space Cold Diffusion：无需噪声的加速 MRI 重建学习

    基于摘要分析。本文研究加速 MRI 的图像重建，提出在 k-space 中执行退化与恢复的 cold diffusion 模型，无需引入高斯噪声。其主要贡献是将扩散式重建的退化机制与 MRI 的 k-space 表示结合，而非围绕高斯加噪构建恢复过程。 机制方面，cold diffusion 将传统扩散模型的加噪过程推广至任意图像变换，例如模糊或下采样；本文进一步将退化与恢复放在 k-space 中进行。摘要未提供具体退化算子、采样掩码、恢复网络、训练目标或迭代推理流程，因此尚不能判断其如何约束观测数据一致性，也不能将“无需高斯噪声”等同于对实际采集噪声具有鲁棒性。 作者报告，在一个知名的大规模开源 MRI 数据集上进行了测试，并与多个深度学习 MRI 重建模型比较，所提方法能够生成高质量的加速 MRI 重建图像。摘要未给出数据集名称、数据划分、加速倍数、对照模型名称或定量指标，故尚无法核对优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 该研究的直接对象是 MRI 图像重建，并非 EEG 解码或 BCI。摘要不足以建立其向 EEG/BCI 迁移的具体机制路径，因此不据此提出迁移效果或复现实验建议。复现评估需进一步取得全文，核对 k-space 退化定义、训练与推理设置、数据预处理及实现可用性。

    阅读价值：值得阅读的具体原因是该研究将 cold diffusion 的退化与恢复过程置于 MRI k-space，为加速 MRI 重建提供了不依赖高斯噪声的建模思路，但其相对优势与复现条件仍需核对全文。

  11. OpenReview · State space models70

    CoLa-Diff：用于多模态 MRI 合成的条件潜在扩散模型

    基于摘要分析。该研究针对临床中 MRI 模态缺失的问题，提出条件潜在扩散模型 CoLa-Diff，利用多模态 MRI 输入合成缺失模态。其主要贡献是在潜在空间执行扩散，并结合脑区掩码先验和自动权重适配，兼顾内存需求、解剖结构保持与多模态条件融合。 机制方面，作者将扩散过程从原始图像域转移至潜在空间，旨在降低内存消耗；针对潜在空间可能出现的压缩与噪声问题，引入摘要称为“similar cooperative filtering”的网络设计，具体结构及运算方式尚未验证。脑区掩码被用作密度分布先验来引导扩散过程，以更好地保持解剖结构；auto-weight adaptation 则用于调节多模态输入信息的利用。掩码来源、条件注入方式、训练损失及推理流程均需查阅全文确认。 作者报告，CoLa-Diff 在其 MRI 合成实验中优于其他先进 MRI 合成方法，但摘要未提供数据集、样本量、输入与目标模态组合、数据划分、对照方法名称或定量指标，因此无法据此判断优势幅度、跨数据集泛化能力及临床适用性。实验协议、消融及统计信息尚未验证，实际内存节省和解剖结构保持效果也需结合完整评估核对。 本研究的主要对象是 MRI 图像合成，而非 EEG 解码或 BCI 算法。现有材料未建立其机制与 BCI 任务之间的具体对应关系，因此不据此提出 EEG 迁移效果或复现实验建议。

    阅读价值：值得关注其以潜在空间扩散降低多模态 MRI 合成的内存需求，并结合脑区掩码先验与条件自动权重适配维护解剖结构的设计；具体性能及资源收益尚待全文核验，不构成 BCI 有效性的证据。

12月31日周六
  1. OpenReview · State space models77

    用于加速 MRI 的高频空间扩散模型

    基于摘要分析。该研究针对加速 MRI 重建中的两类问题：全空间扩散可能给已充分采样的低频 k-space 区域引入不确定性，以及逆扩散迭代较多导致重建耗时。作者提出 HFS-SDE，将基于连续随机微分方程（SDE）的扩散过程限制于高频空间，以保持低频区域的确定性并加快逆扩散采样。 核心机制是利用 MR 采样结构区分已知低频信息与待重建高频信息，而非在整幅图像或全部 k-space 上实施扩散。其研究对象是 MR 图像重建，扩散模型充当求解逆问题的深度生成先验，并非 EEG 解码或 BCI 算法。具体 SDE 形式、训练目标、数据一致性实现及采样器设置尚未验证。 作者报告，在公开 fastMRI 数据集的实验中，HFS-SDE 的重建准确性与稳定性优于传统并行成像方法、监督深度学习及既有扩散模型，并通过理论与实验验证了快速收敛性质。摘要未提供加速倍率、采样掩码、数据划分、具体基线、评价指标或数值，因此不能判断优势幅度及不同协议下的可比性；实验协议、消融及统计信息尚未验证。作者说明已公开代码与权重，复现仍需核对配置和数据处理流程。 平台推测（待验证）：可借鉴的是在逆问题中保留可靠观测、仅对欠观测部分进行生成建模的思路，而非直接认定 EEG 高频成分适合扩散。若迁移至 EEG 通道缺失重建，需将 MRI 的高低频划分改造成基于观测通道的约束，并调整信号表示与生成先验；低信噪比、跨被试差异、通道布局变化及小数据训练均可能使该假设失效。一个可检验的小实验是在固定通道布局、按被试隔离的数据划分下模拟通道缺失，对比全信号扩散与保留观测通道的条件扩散，检查缺失通道重建误差、观测通道偏差及相同停止准则下的推理耗时。该迁移假设不属于原论文已验证结论，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其将扩散过程限制于高频空间、保留已充分采样低频信息的逆问题建模机制；作者报告了重建与收敛优势，但具体实验协议及其对 EEG/BCI 的适用性尚未验证。

6月14日周二
  1. OpenReview · Representation learning77

    基于扩散的表征学习

    基于摘要分析。本文研究如何让扩散生成模型在不使用监督信号的情况下学习表征，核心贡献是扩展 denoising score matching（去噪得分匹配）框架，使表征编码去噪所需的信息，而非像 GANs 和 VAEs 那样直接将潜在编码映射为数据样本。原论文主要面向通用表征学习及图像下游任务，并非 EEG 或 BCI 研究。 机制方面，摘要将连续时间随机微分方程描述的扩散模型与多尺度去噪自编码器联系起来，并提出新的去噪得分匹配目标。作者指出，这一表征学习方式允许手动控制表征所编码的细节层级；但具体目标公式、控制变量、编码结构及训练与推理流程尚未验证。作者还提出学习无限维潜在编码，摘要未说明其具体参数化及计算实现，不能据此推断模型规模。 结果方面，作者报告，该方法在半监督图像分类中相较当时的先进模型取得改进，并通过下游任务表现比较扩散得分匹配、自编码器和对比学习系统的表征质量。摘要未提供数据集、标注比例、数据划分、对照模型、评价指标或数值，因此无法判断改进幅度及不同方法的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若不同噪声尺度下的去噪信息能够形成可控粒度的表征，该机制可能为 EEG 自监督学习提供候选路径，但图像结果不构成 BCI 有效性的证据。可考虑复用去噪得分匹配思想，改造适配多通道时间序列的编码器与扰动过程；低信噪比可能使模型编码伪迹，被试差异、通道布局变化及小数据规模也可能削弱表征稳定性。一个可检验的小实验是在固定 EEG 数据划分与相同标注预算下，对比该目标、自编码器和对比学习表征的冻结编码器分类表现，并检验细节控制是否改变任务信息与伪迹信息的保留程度。该方案仅为迁移假设，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是其通过改写 denoising score matching 目标学习去噪所需的表征，并讨论表征细节层级的可控性；其半监督图像分类收益及向 EEG 迁移的可行性尚需核对与验证。

1月1日周六
  1. OpenReview · Representation learning75

    使用扩散模型进行表征学习

    基于摘要分析。本文研究图像扩散模型的语义表征学习：针对 DMs 及潜空间扩散模型 LDMs 的扩散过程逐步破坏潜变量信息、缺乏语义明确表征空间的问题，提出 LRDM 框架，将独立编码器从干净图像提取的表征作为 LDM 的条件，并联合训练扩散模型与表征编码器。 核心机制是让表征学习直接服务于生成去噪过程，而非仅使用预训练自编码器的潜空间。作者还引入可处理的表征先验，以便从表征分布高效采样，在不训练额外模型的情况下实现无条件图像生成。摘要未给出先验形式、损失函数、条件注入方式及训练细节，这些内容尚未验证。 作者报告，在摘要所述图像生成评估中，采用 image-parameterized LDMs 可获得有竞争力的生成结果；LRDMs 能学习具有语义意义的表征，并支持忠实的图像重建与语义插值。摘要未提供数据集、划分、对照基线、指标或数值，不能据此量化优势；实验协议、消融及统计信息尚未验证。摘要提供了实现仓库，但代码完整性与复现条件尚未核对。 平台推测（待验证）：该机制提供的迁移假设是，生成去噪与条件表征的联合学习可能帮助 EEG 提取可重建的信号结构，但图像语义并不等于 EEG 的任务相关信息。原方法依赖预训练自编码器、干净输入及表征先验；是否需要任务标签、训练规模如何，摘要未说明。可尝试复用联合训练与表征先验的思路，但需改造时序编码器、潜空间自编码器和条件注入模块。低信噪比、跨被试差异、通道配置变化及小数据可能使表征偏向伪迹或被试身份，而非任务信息。 一个可检验的小实验是假设检验：在固定 EEG 数据划分、相同编码器与训练预算下，对比联合条件去噪表征和仅自编码器表征，以冻结表征的线性分类及重建质量分别评估任务信息与重建能力，并独立报告被试内和跨被试结果。此建议不是已验证的 BCI 效果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其联合学习表征与生成去噪的机制，以及表征先验如何支持无需额外模型的无条件采样，但摘要尚不足以判断表征质量及向 EEG 迁移的有效性。

  2. OpenReview · State space models75

    基于扩散模型与结构化状态空间模型的时间序列插补与预测

    基于摘要分析。本文研究时间序列缺失值插补，并提出 SSSD，将条件扩散模型与结构化状态空间模型结合，也评估其时间序列预测能力。主要贡献是利用生成建模与长程依赖建模的组合，处理不同缺失情境，尤其是 blackout-missing 场景。 机制上，扩散模型承担生成建模，结构化状态空间模型作为内部架构，旨在捕获时间序列的长期依赖。摘要未提供条件信息如何输入、扩散训练目标、状态空间模块配置、采样流程，以及插补与预测任务如何组织，这些实现细节尚未验证。 作者报告：在多种数据集与不同缺失情境下，SSSD 的概率插补和预测表现达到或超过所比较的先进方法；在 blackout-missing 场景中，既有方法未能给出有意义的结果。该结论目前仅有摘要支持，具体数据集、缺失比例与模式、数据划分、对照基线、指标数值、消融及统计信息尚未验证，不能据此判断不同协议下的优势幅度。 平台推测（待验证）：若 EEG 数据具有可利用的时间依赖，SSSD 的生成式插补机制可能用于连续信号缺失片段恢复，但通用时间序列结果不等于 BCI 有效性。可考虑复用扩散与状态空间模块，改造多通道条件输入、缺失掩码及信号预处理；其适用性依赖观测上下文和训练数据能否覆盖目标信号分布。低信噪比、跨被试差异、通道布局变化及小数据可能导致生成结果看似合理却不保留任务相关信息。一个可检验的小实验是在固定被试内划分下，仅对测试片段施加不同长度的连续遮挡，与简单插值及明确的时序插补基线比较，同时检查重建误差与下游任务表现，避免仅凭波形相似性判断有效。已有 EEG 相关工作尚未检索确认，复现所需代码、配置与计算条件尚未验证。

    阅读价值：值得阅读的具体原因是 SSSD 将条件扩散与结构化状态空间模型结合用于时序缺失值插补，并考察 blackout-missing 场景；其对 EEG 连续缺失片段的适用性尚未验证。