Diff-CA: Separating Common and Salient Factors with Diffusion Models¶

会议: NeurIPS 2026
arXiv: 2606.06120
OpenReview: https://openreview.net/forum?id=QbYbgrobWj
领域: 图像生成
关键词: 对比分析, 扩散模型, 潜在因子解耦, 弱监督图像编辑, 流匹配

一句话总结¶

本文提出 Diff-CA 框架，首先利用 DINOv3 跨查询编码与颜色 Token 训练低噪声依赖的流匹配生成模型，随后在仅靠数据集级二元弱监督的条件下，通过可识别的加性结构将条件 Token 分解为共有因子与显著因子，从而在不牺牲图像高保真度的前提下实现精准的显著属性交换与插值。

研究背景与动机¶

对比分析（Contrastive Analysis, CA）旨在利用数据集级别的弱二元监督信号（如背景分布 \(Y=0\) 为无眼镜人脸或健康脑部影像，目标分布 \(Y=1\) 为戴眼镜人脸或含肿瘤脑部影像），自动将图像表征分解为跨分布共享的共有因子 \(C\)（如身份、性别、解剖结构）与目标分布特有的显著因子 \(S\)（如眼镜款式、肿瘤形态）。现有对比分析方法（如 MM-cVAE、SepVAE 和 DoubleInfoGAN）主要建立在 VAE 或 GAN 架构之上，受限于低容量潜在瓶颈与生成能力，其重建图像往往模糊失真且在属性交换时严重丢失人物身份。与此同时，主流文本驱动扩散编辑方法（如 InstructPix2Pix 或多模态商业编辑模型）高度依赖提示词措辞、噪声反演或注意力启发式规则，不仅在重复采样时缺乏可复现性，还会破坏非目标区域的解剖结构，且难以应对临床病变或工业缺陷等难以用自然语言精确描述的复杂显著模式。

这一困境的核心矛盾在于：如何在高保真扩散模型中实现严格可控且理论上可识别的共有-显著因子分解。一方面，标准扩散模型或基于噪声反演的自编码器（如 DiffAE）将大量结构与语义变化编码在初始高斯噪声中，导致仅靠修改条件表征无法完全主导生成属性；另一方面，若直接在冻结的预训练特征（如原始 DINOv3 补丁 Token）上条件化，庞大的局部化 Token 空间既不满足线性可加性，也缺乏防止背景属性泄露到显著子空间的理论保证。

针对上述问题，本文首先从信息论与统计独立性角度证明了加性对比分解在弱监督下的唯一可识别性，并推导了生成可控性的互信息下界，进而设计了两阶段训练范式来逐一落实理论约束。核心 idea：先结合 DINOv3 跨查询模块与颜色 Token 从头训练无提示词的最优传输流匹配生成器以消除生成过程对初始噪声的依赖，再通过带加性重建、锚定约束、自调优对抗训练与 EMA 循环一致性的 Transformer 分离编码器，将条件 Token 唯一分解为独立的共有因子与显著因子。

方法详解¶

整体框架¶

Diff-CA 采用两阶段训练架构，将对比分析的可识别性理论转化为可操作的扩散条件空间分解。在第一阶段，模型将输入图像同时送入冻结的 DINOv3 编码器与轻量级颜色 CNN，分别经由跨查询模块与全局池化提取语义 Token 与颜色 Token，拼接成紧凑的条件序列并通过交叉注意力驱动基于 VAE 潜在空间的最优传输条件流匹配（OT-CFM）U-Net 生成器。在第二阶段，固定第一阶段学到的条件空间与生成器，引入一个 5 层 Transformer 分离编码器，将条件序列加性分解为共有因子 \(\hat{Z}_C\) 与显著因子 \(\hat{Z}_S\)，并在二元弱标签监督下联合施加加性重建、背景归零锚定、梯度反转对抗及反事实混合循环一致性约束，最终支持通过替换或插值 \(\hat{Z}_S\) 实现零提示词的精确图像编辑。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400, 'subGraphTitleMargin': {'top': 8, 'bottom': 16}}}}%%
flowchart TD
    A["输入图像 X 与二元标签 Y"] --> B["跨查询与颜色条件编码<br/>DINOv3跨查询 T + 颜色Token t_col"]
    B --> C["加性对比理论与可识别性<br/>条件序列 Z = Z_C + Z_S"]
    C --> D["Transformer分离编码器<br/>CLS投影显著码 Z_S + 其余Token共有码 Z_C"]
    D --> E["循环一致性与自调优对抗约束<br/>锚定归零 + GRL对抗 + EMA混合重建"]
    E -->|属性交换 / 线性插值| F["OT-CFM 流匹配U-Net生成目标图像"]

关键设计¶

1. 加性对比理论与可识别性：建立弱监督下因子唯一恢复与生成控制的数学保障

为了避免传统解耦方法陷入伪分解或语义泄露，本文首先从理论上严格界定了在何种条件下仅靠二元弱标签 \(Y\in\{0,1\}\) 就能唯一恢复真实的共有因子 \(Z_C\) 与显著因子 \(Z_S\)。定理 3.1（加性因子可识别性）证明，假设真实条件表征满足直和分解 \(Z = Z_S + Z_C\)（其中 \(Z_S \perp\!\!\!\perp Z_C\) 且在背景分布 \(Y=0\) 时 \(Z_S=0\)），若分离编码器学到的分解 \(Z \mapsto (\hat{Z}_S, \hat{Z}_C)\) 同时满足三项结构条件——加性重建（\(\hat{Z}_S + \hat{Z}_C = Z\)）、背景锚定（\(Y=0 \iff \hat{Z}_S = 0\)）以及统计独立性（\(\hat{Z}_S \perp\!\!\!\perp \hat{Z}_C\)），则通过特征函数解析延拓与傅里叶变换唯一性可证泄露项 \(\hat{Z}_S - Z_S = 0\) 几乎处处成立，即学到的编码必唯一对应真实因子（\(\hat{Z}_S = Z_S, \hat{Z}_C = Z_C\)）。进一步地，为保证潜空间分解能转化为像素级的语义控制，命题 3.2 推导了显著属性控制力的互信息下界：

\[I(\hat{S}; \hat{Z}_S) \geq \underbrace{I(S; \hat{S})}_{\text{保真度 (Fidelity)}} - \underbrace{I(\hat{X}; \varepsilon \mid Z)}_{\text{噪声依赖 (Noise dependence)}} - \underbrace{I(S; \hat{Z}_C \mid \hat{Z}_S)}_{\text{纠缠度 (Entanglement)}}\]

这一不等式直接指明了方法设计的三大工程目标：第一阶段必须最大化重建保真度 \(I(S; \hat{S})\) 并最小化生成图像对随机噪声 \(\varepsilon\) 的依赖 \(I(\hat{X}; \varepsilon \mid Z)\)；第二阶段则必须通过独立性约束最小化因子间的条件纠缠 \(I(S; \hat{Z}_C \mid \hat{Z}_S)\)。

2. 跨查询与颜色条件编码：构建低噪声依赖且具备线性可加结构的紧凑条件空间

标准扩散自编码器（如 DiffAE）高度依赖确定性噪声反演来保留原图结构，若从随机噪声采样则无法保持人物身份；而直接使用 DINOv3 全部 261 个输出 Token 虽然重建精度高，但特征过于局部化，插值时会出现重影伪影且不具备线性语义结构。为此，本文在第一阶段设计了跨查询与颜色编码器（Cross-Query + Color, CQC）来提取 \(K=32\)、维度 \(d=128\) 的结构化条件序列 \(Z \in \mathbb{R}^{32 \times 128}\)。具体而言，模型先用基于 Perceiver-IO 的 4 层跨查询模块（含 \(K-1=31\) 个可学习查询向量）对冻结的 DINOv3 特征进行交叉注意力压缩，将眼睛、面部轮廓等大范围空间语义蒸馏为紧凑的语义 Token \(T \in \mathbb{R}^{31 \times 128}\)；同时，针对扩散模型难以恢复低频色彩以及 DINOv3 特征丢失颜色直方图的缺陷，额外引入一个由两层 \(5\times 5\) 卷积与自适应平均池化组成的轻量级 CNN，从原图直接提取单个颜色 Token \(t_{\text{col}} \in \mathbb{R}^{1 \times 128}\)。两者拼接成的 \(Z = [T; t_{\text{col}}]\) 通过交叉注意力注入 U-Net，并配合小批量最优传输条件流匹配（OT-CFM）目标从头训练：

\[\mathcal{L}_{\text{FM}} = \mathbb{E}_{t, u_0, u_1} \left[ \left\| v_\psi(u_t, t, Z) - (u_1 - u_0) \right\|_2^2 \right], \quad u_t = (1-t)u_0 + t u_1\]

拉直的确定性 ODE 采样轨迹（20 步 Euler 积分）结合高信息密度的 CQC 条件，迫使生成器完全依赖 \(Z\) 而非初始噪声 \(u_0\) 来决定语义与色彩，从而在任意随机噪声下都能实现高保真重建与平滑的线性插值。

3. Transformer分离编码器：利用非对称序列头部实现共有与显著表征的显式拆解

在第一阶段建立好满足线性可加假设的条件空间后，第二阶段冻结特征提取器与生成模型，专门训练一个包含 5 层标准多头自注意力块（12 头，隐藏层维度 512，无需额外位置编码）的 Transformer 分离编码器 \(E_{\theta_E}\)，将输入条件 \(Z\) 拆解为 \((\hat{Z}_S, \hat{Z}_C)\)。由于显著因子（如眼镜款式或是否存在肿瘤）通常是紧凑的全局或局部属性增量，而共有因子需要保留完整的空间上下文与背景结构，编码器采用了非对称的序列输出设计：在输入序列 \(Z\)（32 个 Token）前端拼接一个可学习的 CLS Token；经过 5 层自注意力交互后，将 CLS Token 的输出状态通过线性层投影并广播为显著编码 \(\hat{Z}_S\)，而其余 \(K=32\) 个输出 Token 则直接作为共有编码 \(\hat{Z}_C \in \mathbb{R}^{32 \times 128}\)。在推理与反事实编辑时，只需固定源图像的 \(\hat{Z}_C^a\) 并加上目标图像的 \(\hat{Z}_S^b\)（或按系数 \(\alpha \in [0,1]\) 进行凸组合 \(\hat{Z}_C^a + \alpha \hat{Z}_S^a + (1-\alpha)\hat{Z}_S^b\)），再送入生成器即可完成属性迁移或连续插值。

4. 循环一致性与自调优对抗约束：防止背景色彩泄露并稳定优化因子独立性

为了将定理 3.1 的三项理论条件落实为可微损失，本文组合了四项互补的训练目标。首先用均方误差重建损失 \(\mathcal{L}_{\text{rec}} = \mathbb{E}[\|Z - (\hat{Z}_S + \hat{Z}_C)\|_2^2]\) 强制加性结构，并用锚定损失（Pinning Loss）约束背景样本的显著码归零、同时防止目标样本的显著码坍缩：

\[\mathcal{L}_{\text{pin}} = \mathbb{E}\left[ \mathbb{1}_{Y=0} \|\hat{Z}_S\|_2^2 + \mathbb{1}_{Y=1} e^{-\|\hat{Z}_S\|_2^2} \right]\]

然而，仅保证 \(\hat{Z}_C\) 与二元标签 \(Y\) 独立（\(\hat{Z}_C \perp\!\!\!\perp Y\)）并不足以导出严格的因子独立性 \(\hat{Z}_C \perp\!\!\!\perp \hat{Z}_S\)，实验表明若缺少更强的解耦约束，交换 \(\hat{Z}_S\) 时会导致严重的背景颜色偏移与属性泄露。为此，本文一方面引入基于梯度反转层（GRL）的对抗判别器 \(D_{\text{adv}}\)（2 层 MLP），通过最大化从 \(\hat{Z}_C\) 预测标签 \(Y\) 的二元交叉熵损失 \(\mathcal{L}_{\text{adv}}\) 来剔除共有编码中的类别信息，并设计了自调优对抗控制器：在每步训练中统计判别器的滑动平均准确率 \(\text{Acc}\)（EMA 衰减率 0.95），若高于目标准确率 \(\text{Acc}_{\text{target}} \in [0.70, 0.80]\) 则将 GRL 强度 \(\lambda_{\text{adv}}\) 乘以 \(0.999\) 削弱对抗，反之除以 \(0.999\) 增强对抗，从而避免了传统 GAN 训练的振荡失稳。另一方面，为真正迫使 \(\hat{Z}_C \perp\!\!\!\perp \hat{Z}_S\)，本文对两个独立样本 \(a, b\) 构造反事实混合编码 \(Z^{\text{mix}} = \hat{Z}_C^a + \hat{Z}_S^b\)，并利用分离编码器自身的指数移动平均（EMA）副本重新编码 \(Z^{\text{mix}}\)，通过最小化循环一致性损失来保证交换后的潜码仍落在合法分布流形上：

\[\mathcal{L}_{\text{cyc}} = \mathbb{E}\left[ \|\hat{Z}_C^{\text{mix}} - \hat{Z}_C^a\|_2^2 + \|\hat{Z}_S^{\text{mix}} - \hat{Z}_S^b\|_2^2 \right], \quad (\hat{Z}_S^{\text{mix}}, \hat{Z}_C^{\text{mix}}) = E_{\theta_E}^{\text{EMA}}(Z^{\text{mix}})\]

类似于 BYOL 的自蒸馏机制，冻结的 EMA 目标编码器充当了隐式分布判别器，有效阻止了编码器通过协同适应（co-adaptation）作弊来满足循环一致性。

损失函数 / 训练策略¶

第二阶段分离编码器的总优化目标为四项损失的加权和，并与对抗判别器构成极小极大博弈：

\[\mathcal{L}_{\text{tot}} = \mathcal{L}_{\text{rec}} + \lambda_1 \mathcal{L}_{\text{pin}} + \lambda_2 \mathcal{L}_{\text{cyc}} + \lambda_3 \mathcal{L}_{\text{adv}}, \quad \min_{\theta_E} (\mathcal{L}_{\text{tot}} - \lambda_{\text{adv}} \mathcal{L}_{\text{adv}})\]

在具体实现中，第一阶段生成器（160M 参数 U-Net + 15M 参数跨查询编码器）使用 AdamW（学习率 \(10^{-4}\)，batch size 32，bfloat16 混合精度）训练 300k 步（单张 H100 约 48 小时）；第二阶段分离编码器（15M 参数）在预计算的潜空间上使用 AdamW（batch size 1024）联合训练 1000 个 epoch（单张 A100 仅需 3–4 小时），其中 \(\mathcal{L}_{\text{pin}}\) 的负类权重设为 \(1.0\)、正类权重设为 \(0.1\)，\(\mathcal{L}_{\text{cyc}}\) 权重 \(\lambda_2 = 1.0\)，自调优 \(\lambda_{\text{adv}}\) 在 \([0, 5]\) 范围内动态浮动以将判别器准确率稳定在 \(0.80\) 左右。

实验关键数据¶

主实验¶

表 1 展示了在 FFHQ 数据集（Glasses 眼镜属性）上与主流对比分析生成基线（MM-cVAE、SepVAE、DoubleInfoGAN）的定量对比。模型仅使用二元弱标签（无眼镜 vs. 有眼镜）训练，测试时在三个细粒度类别（无眼镜 N、平光阅读镜 R、太阳镜 S）之间进行全部 6 种方向的显著因子交换（每种 1,000 对样本），评估重建质量、目标属性迁移准确率（Acc）以及共有属性保持度（身份相似度 ID-Sim、性别、微笑、头部姿态 MAE）。

方法	重建 SSIM \(\uparrow\)	重建 LPIPS \(\downarrow\)	重建 ID-Sim \(\uparrow\)	交换 Acc (%) \(\uparrow\)	交换 ID-Sim \(\uparrow\)	性别保持 (%) \(\uparrow\)	微笑保持 (%) \(\uparrow\)	姿态误差 MAE (\(^\circ\)) \(\downarrow\)
MM-cVAE	0.370	0.643	0.307	11.8	0.302	62.3	57.7	4.62
SepVAE	0.358	0.642	0.307	19.6	0.301	57.7	56.4	8.29
DoubleInfoGAN	0.326	0.430	0.327	47.0	0.314	68.5	79.2	7.35
Diff-CA (本文)	0.610	0.115	0.522	94.5	0.474	92.5	92.9	1.87

表 2 进一步展示了表 8 中 6 种细粒度眼镜交换方向的拆解准确率（Acc \(\uparrow\)）与真实原图身份相似度（\(\text{ID-Sim}_{\text{real}} \uparrow\)）：

方法	指标	N \(\to\) R	N \(\to\) S	R \(\to\) N	R \(\to\) S	S \(\to\) N	S \(\to\) R	宏平均 (Score)
MM-cVAE	Acc (%) / \(\text{ID-Sim}_{\text{real}}\)	15.6 / 0.302	27.1 / 0.298	1.0 / 0.302	26.0 / 0.309	1.0 / 0.300	0.0 / 0.300	11.78 / 0.302
SepVAE	Acc (%) / \(\text{ID-Sim}_{\text{real}}\)	31.1 / 0.300	39.4 / 0.298	1.0 / 0.300	42.3 / 0.306	1.0 / 0.301	0.0 / 0.301	19.58 / 0.301
DoubleInfoGAN	Acc (%) / \(\text{ID-Sim}_{\text{real}}\)	87.8 / 0.311	47.5 / 0.310	99.8 / 0.318	46.1 / 0.320	1.0 / 0.312	0.0 / 0.312	47.03 / 0.314
Diff-CA (本文)	Acc (%) / \(\text{ID-Sim}_{\text{real}}\)	91.4 / 0.468	94.2 / 0.431	98.8 / 0.463	91.5 / 0.452	98.7 / 0.398	92.9 / 0.416	94.48 / 0.438

此外，在 FFHQ 头部姿态（Neutral \(|\theta|\le 8^\circ\) vs. Turned \(|\theta|>12^\circ\)）二元监督训练下，Diff-CA 在左/中/右三类细粒度姿态交换上的宏平均准确率达到 89.48%，偏航角 MAE 仅为 4.75\(^\circ\)（移除左/右转头的准确率分别达 98.0% 和 98.2%）。

消融实验¶

表 3 汇总了第一阶段不同条件编码架构在 FFHQ 训练、CelebA-HQ（\(256\times 256\)）测试集上的从随机噪声重建性能对比（统一使用相同初始随机噪声，20 步 Euler 采样），以及跨数据集（AFHQ、BraTS 2023）的泛化表现：

条件编码器 / 数据集	条件维度 (\(K \times d\))	PSNR \(\uparrow\)	SSIM \(\uparrow\)	LPIPS \(\downarrow\)	DISTS \(\downarrow\)	FID \(\downarrow\)	FD-DINO \(\downarrow\)	ID-Sim \(\uparrow\)
DiffAE (无噪声反演)	\(512\)	19.09	0.530	0.209	0.173	14.28	32.89	0.407
EncDiff (CNN Token)	\(32 \times 128\)	17.03	0.420	0.323	0.210	18.43	64.91	0.313
CLIP (全序列投影)	\(198 \times 128\)	18.23	0.490	0.201	0.169	7.69	31.45	0.538
DINOv3 (全序列投影)	\(261 \times 128\)	23.31	0.645	0.099	0.114	5.66	20.89	0.609
CQ (本文，无颜色 Token)	\(32 \times 128\)	21.76	0.589	0.124	0.131	5.59	22.39	0.515
CQC (本文，完整条件)	\(32 \times 128\)	22.57	0.611	0.114	0.118	5.52	22.28	0.523
CQC @ AFHQ	\(32 \times 128\)	-	0.433	0.155	0.139	8.13	15.91	-
CQC @ BraTS 2023	\(32 \times 128\)	-	0.649	0.151	0.156	31.54	35.09	-

关键发现¶

弱二元监督自发涌现细粒度概念簇：尽管训练时仅提供“有/无眼镜”二元标签，Diff-CA 在细粒度属性交换（如太阳镜与平光镜互换 \(S\to R\) / \(R\to S\)）上的准确率分别高达 92.9% 和 91.5%（基线 DoubleInfoGAN 在移除太阳镜 \(S\to N\) 和太阳镜转平光镜 \(S\to R\) 上几乎完全失效，准确率为 1.0% 和 0.0%）。对 \(\hat{Z}_S\) 进行 UMAP 降维可视化可见，无眼镜、阅读镜和太阳镜在潜空间中自然聚为三个边界清晰的独立簇。
颜色 Token 与跨查询模块各司其职：相比仅用跨查询的 CQ，加入单个颜色 Token \(t_{\text{col}}\)（CQC）使 PSNR 提升 0.81 dB、SSIM 从 0.589 提升至 0.611、FID 降至全场最优的 5.52，成功消除了 DINOv3 蒸馏带来的色彩偏移；同时仅用 32 个 Token（约为原始 DINOv3 261 个 Token 的 1/8）就达到了与之相当的感知重建质量，且克服了原始 DINOv3 插值时的局部重影问题。
EMA 循环一致性对抑制背景泄露至关重要：定性消融（图 21）表明，若去掉循环一致性损失 \(\mathcal{L}_{\text{cyc}}\) 仅保留 \(\mathcal{L}_{\text{rec}} + \mathcal{L}_{\text{pin}} + \mathcal{L}_{\text{adv}}\)，虽然分类准确率尚可，但交换 \(\hat{Z}_S\) 会引起严重的背景与肤色偏移，印证了仅靠 \(\hat{Z}_C \perp\!\!\!\perp Y\) 不足以保证 \(\hat{Z}_C \perp\!\!\!\perp \hat{Z}_S\)。

亮点与洞察¶

理论可识别性与工程模块的一一映射：本文最精彩之处在于没有把理论分析当成装点门面的附录，而是通过定理 3.1（加性可识别性）与命题 3.2（互信息控制下界）精确推导出模型必须满足的四个条件（高保真、低噪声依赖、背景锚定、因子独立），并逐一转化为 OT-CFM + CQC 编码、\(\mathcal{L}_{\text{rec}}\)、\(\mathcal{L}_{\text{pin}}\) 以及 EMA \(\mathcal{L}_{\text{cyc}}\) + 自调优 GRL，理论与实现严丝合缝。
用 EMA 自蒸馏替代反事实 GAN 判别器：为了强制混合反事实潜码 \(Z^{\text{mix}} = \hat{Z}_C^a + \hat{Z}_S^b\) 符合真实潜码分布，直接加对抗判别器极易崩溃；作者巧妙地复用分离编码器自身的 EMA 副本作为“弱隐式判别器”来计算循环一致性损失，既防止了编码器自相配合（co-adaptation）作弊，又实现了极度稳定的独立性正则化，这一 trick 可直接迁移到任何需要反事实特征交换的解耦表征学习任务中。
自调优 GRL 比例控制器：针对梯度反转层对抗训练中判别器与编码器能力失衡的问题，作者引入了一个极简的闭环反馈规则（根据当前 batch 滑动准确率与目标值 \(0.80\) 的大小关系，每步对 \(\lambda_{\text{adv}}\) 乘或除以 \(0.999\)），无需复杂超参调优即可让对抗训练平稳收敛。

局限与展望¶

局限于 2D 切片且未扩展至全 3D 体数据：作者指出当前框架仅在 2D 图像（包括将 BraTS 2023 脑部 MRI 沿轴向切分为 2D 切片）上运行，尚无法直接处理高分辨率 3D 医学体积数据并保证跨切片的三维空间一致性。
非对称分布与加性假设的限制：当前对比分析设定严格假设背景分布中完全不存在显著因子（\(Y=0 \implies S=0\)）且条件空间满足线性直和分解 \(Z = Z_S + Z_C\)；若两个分布各自包含独有的显著属性（对称多域差异）或因子间存在强非线性耦合，现有锚定机制将不再适用。
从头训练第一阶段生成器的算力开销：为了彻底消除预训练文生图模型的先验偏置与噪声依赖，第一阶段必须针对每个目标领域从头训练 160M 参数的 OT-CFM 生成器（单卡 H100 需 48 小时），未来可探索如何在冻结的现代大型 Flow/DiT 基座上通过轻量级适配器实现同等程度的低噪声依赖控制。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次将对比分析（CA）引入扩散/流匹配模型，给出了弱监督加性因子唯一可识别性的严格证明（傅里叶-斯蒂尔杰斯变换证法）与互信息控制下界，并设计了巧妙的 EMA 循环一致性与自调优 GRL 机制。
实验充分度: ⭐⭐⭐⭐⭐ 横跨人脸（FFHQ/CelebA-HQ）、动物物种（AFHQ）和脑肿瘤医学影像（BraTS 2023）三大领域，既有第一阶段条件编码器的详尽重建消融，又有第二阶段细粒度属性交换、插值、UMAP 聚类以及与商业多模态编辑模型的深入对比。
写作质量: ⭐⭐⭐⭐⭐ 逻辑链路极其清晰，从问题定义、理论可识别性定理、互信息下界分解到两阶段工程实现的衔接环环相扣，附录证明与实验细节详实。
价值: ⭐⭐⭐⭐⭐ 为难以用文本提示词描述的科学发现与医学反事实分析（如无创影像生物标志物发现、病变精准剥离）提供了一套兼具理论可解释性与高视觉保真度的通用工具。