扩散模型能否解耦？一个理论视角
Can Diffusion Models Disentangle? A Theoretical Perspective
AI总结：
本文提出理论框架分析扩散模型学习解耦表示的能力，建立可辨识性条件并推导样本复杂度，实验验证了理论并发现风格引导正则化可提升解耦性能。
摘要：
本文提出了一个新颖的理论框架，用于理解扩散模型如何学习解耦表示。在该框架内，我们建立了通用解耦潜变量模型的可辨识性条件，分析了训练动态，并推导了解耦潜子空间模型的样本复杂度界限。为验证我们的理论，我们在多种任务和模态上进行了解耦实验，包括潜子空间高斯混合模型中的子空间恢复、图像着色、图像去噪以及用于语音分类的语音转换。此外，我们的实验表明，受我们理论启发的训练策略，如风格引导正则化，能持续提升解耦性能。
英文摘要：
This paper presents a novel theoretical framework for understanding how diffusion models can learn disentangled representations. Within this framework, we establish identifiability conditions for general disentangled latent variable models, analyze training dynamics, and derive sample complexity bounds for disentangled latent subspace models. To validate our theory, we conduct disentanglement experiments across diverse tasks and modalities, including subspace recovery in latent subspace Gaussian mixture models, image colorization, image denoising, and voice conversion for speech classification. Additionally, our experiments show that training strategies inspired by our theory, such as style guidance regularization, consistently enhance disentanglement performance.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
