生成性近视：扩散模型在结构上的失败

图扩散模型（GDMs）优化统计似然概率，隐式地充当频率滤波器，倾向于优先学习丰富的子结构而非谱域关键结构。我们称之为“生成性近视”。在组合任务中，如图稀疏化，这会导致对“稀有桥梁”——结构必需边（$R_{\text{eff}} \approx 1$）的惊常删除。我们在理论和实证方面证明，这一失败是由“梯度饥饿”驱动的：优化景观本身抑制了稀有结构信号，使其不可学习，无论模型容量如何。为解决此问题，我们引入“谱加权扩散”，该方法通过有效电阻重新对准变分目标。我们演示了将谱先验在训练阶段进行 amortized 处理，推理时开销为零。我们的方法消除了近视，匹配最优谱域信使的性能，在对抗性基准测试中实现 100% 连通性，而标准扩散模型在此类测试上完全失败（0%）。