CoBELa：基于能量景观概念瓶颈的可解释生成引导

生成式概念瓶颈模型旨在通过路由合成通过显式、面向用户的概念来实现可解释生成。实际应用中，先前的方法常依赖非显式瓶颈表征（如视觉线索或不透明的概念嵌入）或黑盒解码器以保持图像质量，从而削弱了透明度。我们提出CoBELa（概念瓶颈能量景观），一种无解码器的能量基方法，通过消除非显式瓶颈表征，完全依赖每个概念在预训练生成器潜空间上的能量函数进行条件生成——无需生成器重新训练，支持后置解释。由于这些概念能量可加法组成，CoBELa自然支持构成性概念干预：通过对数或减去每个概念能量项来实现概念的联合与否定，而无需额外训练。进一步的扩散调度能量引导方案取代昂贵的MCMC链，采用更稳定的调度去噪以实现高效的概念引导采样。在CelebA-HQ和CUB-200-2011数据集上的实验表明，CoBELa在概念准确率上实现了75.70%/82.42%，FID分别为6.47/5.37，显著优于先前的概念瓶颈生成模型，同时可靠地实现多概念干预。