Ambient Creativity：按噪声阶段切开记忆权限

0. 链接验证与版本审计

下表链接均于 2026-09-09 实际访问；“未公开/未找到”表示在论文页、arXiv、官方代码仓库与常用论文索引中均未找到可核实入口，而不是断言资源不存在。核心定量以 ICML 2025 正式版及 arXiv v2 正文为准；两版数字一致，v2 对“固定一次构造噪声集”的动机解释更明确。

索引交叉检查。 OpenReview/PMLR 用于会议身份，arXiv 用于版本日期，Hugging Face Daily Papers、Semantic Scholar 与 Papers with Code 用于交叉发现代码和后续工作；ACL Anthology 未检出与本轮生成模型主题及核心论文直接对应的正式版本。Papers with Code 未找到独立任务页，故不把第三方聚合页冒充官方资源。

1. 候选池、去重与随机选择

先检查 ml-report-index.md，排除近 14 天已经深读的 Q-VDiT、LongLive、DreamGen，以及相邻的长视频/世界模型生成主题。初始池含视频论文，第一次 shuf -i 1-24 -n 1 抽到 Kaleido；这暴露了候选清洗错误，故移除全部视频生成项，再补入 ICML 2025 正式主会论文，使合格池达到 22 篇。第二次严格执行 shuf -i 1-22 -n 1，结果为 19，即本报告核心论文。没有因热度或结论好坏人工挑选。

2. Motivation：问题不是“模型会不会记”，而是“在哪段轨迹必须记”

扩散训练的经验风险最小化有一个尴尬的极限：若在有限训练集上完美拟合 denoising score matching，最优 score 是以训练样本为中心的高斯混合 score，反向过程最终回到经验分布，即只生成训练点。换言之，实际模型的“创造性”恰恰来自没有精确达到经验最优。Kamb 与 Ganguli 后来从卷积网络的局部性与等变性解释了这种偏离：其解析 ELS 模型对四个数据集的卷积网络输出取得中位数 r² = 0.94 ∼ 0.96，带自注意力 UNet 上仍约 0.77（相关论文摘要与表 1，pp.1,25）。

现实风险也不是抽象担忧。Somepalli 等在早期大模型审计中观察到生成图像中约 0.5%–2% 出现训练数据的局部对象级复制（论文 p.2），并进一步指出 text conditioning 与图像重复同样重要。Wen 等用 500 个已知记忆 prompts 与 2,000 个对照 prompts 发现，只看第一个去噪步、一次生成，其条件噪声幅值检测就达到 AUC 0.960、TPR@1%FPR 0.760、0.199 秒；看前 10 步则为 0.989/0.944/1.866 秒（表 1，p.5）。这说明记忆既能被 prompt 触发，又在高噪声早期已经显形。

核心论文把问题重新切片：高噪声阶段决定全局结构与多样性，低噪声阶段补高频纹理。如果只在高噪声阶段阻断对干净训练点的直接访问，而在低噪声阶段保留常规 DDPM，是否能把“结构创新”和“细节质量”分离？其小样本数据给出最强动机：CIFAR-10 仅 300 张训练图时，DDPM 在 DINOv2 相似度阈值 S > 0.95 下有 56.56% 生成样本被判为高度相似；本文方法降到 9.64%，绝对降低 46.92 pp、相对降低 82.96%，同时 FID 从 25.10 降至 23.91（核心表 1，p.12）。这不是通常的“牺牲质量换隐私”曲线，而是对 DDPM 小样本训练点的 Pareto 改进。

3. 故事线、假设与权衡

论文故事线可压缩为四步，但每一步都有条件：

1. 有限样本经验最优会复制。 在理想优化下，经验 score 把每个状态拉向具体训练点；这是“为什么理论上会记”。
2. 噪声改变长尾结构。 Feldman 的稀有子群论证意味着低噪声下，为拟合频率约 1/n 的稀有模式，记忆可能帮助泛化；噪声升高后，原本分离的子群合并，长尾变轻，不再需要逐点记忆。
3. 高噪声用 Ambient loss。 每个干净样本只随机加噪一次，形成固定集合 S_tn；高噪声训练只接触这些 noisy copies，低噪声仍接触原图。
4. 通过一个阈值换取 Pareto 点。 t_n 太低近似 DDPM；太高则低噪声“记忆段”变长，复制可能重新上升。论文声称存在中间窗口，但只用一张 FFHQ/300 曲线支持，未给跨数据集相变边界。

关键假设有三层。第一，高噪声确实主要控制结构、多样性；第二，固定噪声难以压缩，因此网络即使记住 noisy copy 也难恢复 clean point；第三，将高噪声的“非记忆轨迹”与低噪声的“记忆轨迹”拼接，不会重新落回训练样本。第三点在论文 p.5 被明确称为 conjecture，且作者承认尚无非平凡的端到端分布距离下界。因此本文的理论支撑是“局部机制 + 信息泄露 + 子群直觉”，不是算法整体的隐私或收敛定理。

4. 方程级形式化与算法流程

4.1 常规 VP 扩散与经验最优

前向扰动写为

$$X_t=\sqrt{1-\sigma_t^2}X_0+\sigma_t Z,\qquad Z\sim\mathcal N(0,I_d),$$

并用 Tweedie 公式把最优去噪器转成 score：

$$\nabla\log p_t(x_t)=\frac{\sqrt{1-\sigma_t^2}\,\mathbb E[X_0\mid X_t=x_t]-x_t}{\sigma_t^2}.$$

常规目标为

J_DDPM(θ) = 𝔼_{x0, t, xt ∣ x0}∥h_θ(x_t,t) − x₀∥₂².

这些式子见核心论文式 (1)–(3)，pp.3–4。对有限集合 S，经验最优 score 是所有训练点贡献的核加权和；若完全优化，采样终点就是经验分布。论文的策略不是否认这个结论，而是让高噪声段的“经验点”变成 noisy copies。

4.2 Ambient Score Matching

令自然噪声阈值为 t_n，对 t > t_n 使用

$$J_{\mathrm{ambient}}(\theta)=\mathbb E_{x_{t_n}}\mathbb E_{x_t,t\mid x_{t_n}} \left\|\frac{\sigma_t^2-\sigma_{t_n}^2}{\sigma_t^2\sqrt{1-\sigma_{t_n}^2}}h_\theta(x_t,t) +\frac{\sigma_{t_n}^2}{\sigma_t^2}\sqrt{\frac{1-\sigma_t^2}{1-\sigma_{t_n}^2}}x_t-x_{t_n}\right\|_2^2.$$

这是核心式 (6)，pp.6–7。它利用“从进一步加噪的样本预测原 noisy copy”的方向，经重标定恢复 𝔼[x₀∣x_t]。技术来源 Ambient Diffusion 原本处理随机缺像素、压缩测量等腐败数据：即便训练图像 90% 像素缺失仍能学习干净分布（原论文摘要，p.1）。核心论文把“不得不接受的测量腐败”改造成“主动设计的反记忆界面”。

4.3 伪代码与工程语义

输入：干净训练集 S，阈值 tn，噪声日程 σ(t)，网络 hθ
1  对每个 x0∈S 仅采一次 ε，固定构造 Stn={sqrt(1-σtn²)x0+σtn ε}
2  重复训练：从 S ∪ Stn 均匀采 batch
3    若样本来自 Stn：采 t∈[tn,T]，进一步加噪，使用 Ambient loss
4    若样本来自 S：采 t∈[0,tn]，使用普通 DDPM denoising loss
5    合并梯度更新 θ
输出：同一网络在整条时间轴上的分段学习结果

伪代码对应 arXiv v2 Algorithm 1，p.8。最容易被忽略的工程点是 S_tn 只在训练开始前构造一次，而不是每个 epoch 重采噪声；v2 pp.7–8 明言，反复重采会逐渐泄露更多关于 clean distribution 的信息。这个“固定随机化视图”比 loss 本身更像隐私瓶颈，但代码仓库只有通用训练脚本，README 未提供预训练权重或逐表复现实验命令。

4.4 理论结果到底证明了什么

• Lemma 4.2，p.9： 单点高斯模型下，若 DDPM 与 Ambient 各产生 m 个 t_n 时刻样本，则 $$I(D;x_0)=m\,I(A;x_0)=\frac m2\log\det\left(\frac{1-\sigma_{t_n}^2}{\sigma_{t_n}^2}\Sigma+I\right).$$ Ambient 的一组输出共享同一 noisy copy，因此互信息不随 m 线性增长；DDPM 则线性泄露。它说明“观察越多样本越能恢复训练点”的差异，但只在单高斯输入和特定中间时刻成立。
• Theorem 4.2/4.3，pp.10–11： 总体误差下界包含 τ₁ err_Z(A,1)，其中 τ₁ 由频率分布的长尾程度控制。低噪声下稀有子群分离，τ₁ 大；高噪声合并子群，使长尾变轻。
• Lemma 4.4，pp.11–12： 对共享协方差的 GMM，噪声将总变差距离收缩，并给出“分离/可合并”的阈值条件。它支持阶段划分，却没有推导有限网络、SGD、离散采样器下的最优 t_n。

5. 关键机制与工程细节

6. 数据集、基准与指标

FID 用 50,000 个生成样本与 50,000 个数据集样本计算；相似度为生成图像与训练集最近邻的 DINOv2 内积（核心 §5.1，p.13）。阈值由作者按数据集分别调成“潜在记忆/部分记忆/近似精确复制”三个语义层级，但没有发布人类标注校准集、ROC 或置信区间。因此它是可操作 proxy，不是法律意义的复制判定，也不是成员推断概率。

7. 主结果数据矩阵

7.1 八个数据规模：DDPM 对 Ambient Creativity

下表完整转录核心表 1（p.12），括号给出本报告复算的“DDPM−Ours”绝对改善与相对改善；FID 与相似率均越低越好。相似率按百分数报告，故绝对差为 pp。

结论不能只看最漂亮一行。8 个设置中，Ours 的 FID 在 7 个更低，FFHQ/3k 反而高 0.04；且收益随数据增多明显收缩。CIFAR-10 的 FID 还从 1k 的 10.46 反常恶化到 3k 的 14.73，这与“更多数据应更好”的直觉冲突。论文未解释是否由于随机子集、训练不足或表格/设置差异，因此不能把不同训练量的横向趋势当作受控 scaling law。

7.2 四方法对照：为什么“只用腐败数据”不够

核心表 2（p.13）只在 FFHQ 报告四方法，未达到“五基准×六方法”。本报告保留缺口，不补造矩阵。

Noise-only 的记忆率通常最低，却让 FID 大幅恶化；本文保留低噪声 clean objective 后恢复高频质量。由此可推出“分段训练优于全程只见噪声”的工程价值，但不能推出本文在每个单指标都最优：例如 FFHQ/300 的 Sim>0.9，Noise-only 比本文低 19.26 pp，只是 FID 差 12.87。

7.3 文本条件：强结论需要组合方法

核心表 3（arXiv v2 p.15；正式版表 5 p.9）完整如下：

本文单独相对 baseline 只降低平均相似度 0.005（1.32%），CLIP 下降 0.001，FID 恶化 0.16；强记忆缓解来自与 text mitigation 组合。W24+本文相对 W24 再降平均相似度 0.016（7.69%）和 95% 分位 0.033（11.00%），FID 反而改善 0.70，但 CLIP 不变。故正确定位是“视觉侧 anti-memorization 模块，可叠加到文本侧方法”，不是独立解决 text-to-image 复制。

8. 消融、超参敏感性与相变

8.1 逐层消融

论文没有“移除每个组件”的标准消融表。能视为机制消融的只有表 2：DDPM 表示不切分，Noise-only 表示全程只用高噪声信息，Masking 表示换腐败类型，本文表示二段拼接。缺失的关键对照包括：每 epoch 重采 S_tn、同一图保留 k > 1 个 noisy copies、只切时间但高噪声仍用 clean target、等 GPU-hour 的正则化/早停基线。因为这些没有报告，所以不能把收益唯一归因于“固定一次 noisy copy”还是“loss 重标定”。

8.2 单超参敏感性与非单调相变

Figure 1（arXiv v2 p.2）在 FFHQ/300 上扫噪声尺度并显示中间区间形成 Pareto 前沿；论文文字称 σ_tn ∈ [0.4,4] 较优，过低或过高都回到 DDPM 行为（§5.1，p.14）。但正文前面又把 VP 日程写成 σ_t ∈ [0,1]，所以“4”不可能是同一个归一化 VP 参数，更可能是 EDM 的实际噪声尺度。作者没有明确给出两种参数化的映射。这是复现中的相位坐标歧义。

此外，论文没有把 Figure 1 的点坐标列成表，也未跨 CIFAR/Tiny ImageNet 报告完整 sweep，更没有给 t_min, t_max 随样本数、分辨率、架构变化的规律。因此我们只能确认“FFHQ/300 存在非单调区间”，不能宣称通用相变阈值。文本条件只试 {25,50,100} 并按图像质量挑最好（附录 D，p.30），没有公开每个点的相似度/FID，选择过程无法审计。

8.3 统计显著性

论文未报告主表的多随机种子均值、标准差、bootstrap 区间或显著性检验。训练子集称“随机抽取”，但没有列 seed；每项 FID 虽用 50k 样本计算，仍无法消除训练随机性与子集选择方差。因此 CIFAR-10/300 的 46.92 pp 复制率下降足够大，方向性证据较强；FFHQ/3k 的 FID 差 0.04 则完全不能被解释为真实优劣。

9. 相关工作：问题来源—技术来源链

9.1 Ambient Diffusion：从“坏数据也能学”到“主动制造坏数据”

它解决的是只观察随机腐败测量时学习 clean distribution；核心技巧是再施加一次已知腐败并预测原测量。遗留缺口是：若 clean data 本来可得，为何要牺牲它？核心论文把答案改为隐私/创造性：只在高噪声段主动隐藏 clean point。设计传递非常直接——Ambient loss、进一步加噪、可识别性论证被保留；新增的是时间切分与低噪声 DDPM 回路。原论文能在 90% 缺像素下训练（p.1），但也承认高腐败训练偶发发散、需回滚 checkpoint（附录 p.18），提醒这种技术并非零成本稳定化。

9.2 Somepalli et al.：复制不仅来自图片重复，也来自 caption key

该工作解决“为什么 Stable Diffusion 会复制”，把图像重复与 caption 特异性拆开；在 LAION-10k 表 1（p.9）中，image+caption 重复的相似度从 0.663 经 multiple captions 降到 0.470。遗留缺口是方法主要改文本条件，无法解释无条件小数据集的结构—纹理分工。核心论文用高噪声视觉侧腐败补上这一支，并在文本实验中承认自己单独无效。设计传递体现在组合行 S23+ours，而不是取代 S23。

9.3 Wen et al.：记忆在第一步条件噪声中已可见

该工作解决无需训练集、低成本检测 trigger prompts，并把条件噪声幅值作为可解释信号。它的第一步单样本检测 AUC 0.960（表 1，p.5），表明高噪声早期就被文本条件劫持。遗留缺口是它面向检测和文本侧干预，没有改变视觉训练数据暴露。核心论文在视觉侧改变高噪声训练，并把 W24 作为互补模块；W24+本文在保持 CLIP 0.293 时把平均相似度从 0.208 降至 0.192（核心表 3，p.15）。

9.4 Kamb & Ganguli：创造性来自网络偏置，而非经验最优

该工作解决“理论只会复现、卷积扩散却会创造”的矛盾，用 locality+equivariance 得到可解析 patch-mosaic 机制。其最佳模型在 CIFAR/FashionMNIST/MNIST/CelebA 的中位 r² 为 0.95/0.94/0.94/0.96（摘要 p.1；表 1 p.25）。遗留缺口是解释性强但不是通用训练干预，注意力模型拟合降至约 0.77。核心论文采取正交路线：不依赖架构天然“拟合失败”，而是通过固定 noisy copies 主动改变高噪声经验分布。设计传递是共同接受“经验最优=记忆”，但一个解释 implicit bias，一个设计显式数据接口。

9.5 Feldman：长尾稀有子群为何让记忆有时必要

该工作解决监督学习中“记忆长尾样本是否有助泛化”，提供稀有子群频率下界。遗留缺口是没有噪声时间轴和生成采样。核心论文把每个噪声时刻视为一个学习问题：低噪声保留分离的长尾子群，高噪声让高斯分量合并、减小 τ₁。设计传递是误差分解与 rare subpopulation 系数；新增转折是“噪声改变频率几何”。

9.6 非线性技术演进树

Feldman 2020：长尾稀有子群 → 记忆可能帮助泛化
             │
             ├──────────────┐
             ▼              ▼
经验 score = 训练点核混合   Somepalli 2023：caption 也是唯一键
             │              │
             ▼              ├── Wen 2024：第一步条件幅值检测/干预
Ambient Diffusion 2023       │
“从腐败数据恢复 clean”      │
             │              │
             ├──────┬───────┘
             ▼      ▼
     Ambient Creativity 2025
   高噪声固定 noisy copy + 低噪声 DDPM
             │
      ┌──────┴─────────┐
      ▼                ▼
Kamb 2025：局部拼贴解释   2025–26：训练动力学/局部覆盖/score smoothing
（解释隐式创造性）       （寻找何时、何处、如何记忆）

演进动力从“有没有复制”转向三个可分问题：哪类条件触发、哪段时间形成、哪块数据空间稀疏。核心论文的转折是把腐败学习工具转为轨迹级访问控制；后续工作则开始质疑全局阈值，转向训练时间与局部数据覆盖。

9.7 跨论文对标

10. 真正贡献、复用设计与迁移潜力

真正贡献不是“Ambient loss 再用一次”，而是三个组合判断：一，把生成轨迹看成具有不同记忆必要性的阶段；二，把固定 randomized view 当成高噪声训练的数据访问边界；三，在低噪声段有意识地允许“复制可复用纹理”。这种观点比全局正则化更细：它承认记忆并非全坏，关键是别让单样本身份支配决定语义结构的早期轨迹。

可复用设计包括：

• 阶段化数据权限：不同噪声/深度/分辨率阶段看不同保真度的数据，可迁移到 flow matching、masked generative models 与多尺度 AR。
• 固定随机视图而非无限增强：当目标是限制单样本信息泄露时，增强重采样次数本身就是“查询预算”；这可迁移到个性化微调、合成医疗影像和私有小样本适配。
• Pareto 而非单分数选择：部署应同时记录质量、最近邻复制、攻击成功率，不能只调一个 FID。
• 文本—视觉双通道防线：视觉侧 noisy-copy 不能替代 caption dedup/trigger detection；二者应正交组合。

迁移到 flow matching 需要重新推导 corruption-consistent vector field；迁移到 latent diffusion 必须区分 pixel-space DINO 相似度与 latent identity leakage；迁移到 3D/视频则要防止跨视角或跨帧的局部复制被单帧最近邻指标漏掉。

11. 论文自述限制与独立批判

11.1 作者自述限制

1. 无隐私保证：结论 §6，p.15 明确表示方法没有 privacy guarantee；因此不能将较低 DINO 最近邻率等同于 (ε,δ)-DP。
2. 无最优性性质：同页承认没有 optimality properties；Figure 1 的 Pareto 前沿只对有限 sweep 和单设置成立。
3. 缺端到端理论：作者承认从高噪声 Ambient 到低噪声 DDPM 的整体算法没有端到端分析；p.9 的互信息结果停在中间时刻。

11.2 独立批判（均按“因为 X，所以 Y”）

1. [归因] 因为论文没有“固定一次 S_tn vs 每 epoch 重采”的直接消融，而 v2 又把固定一次称为主要新意（pp.7–8），所以无法区分收益来自信息预算、目标重标定还是普通数据增强正则化。
2. [理论外推] 因为互信息 Lemma 4.2 只处理单个高斯训练点和 t_n 中间分布，且作者自己把整条拼接轨迹称为 conjecture（p.9），所以不能从该式推出最终图像不可恢复或具有成员隐私。
3. [指标有效性] 因为“记忆”由数据集特定 DINOv2 阈值定义，却没有人类校准、ROC、SSCD/像素复制交叉验证，所以 56.56%→9.64% 证明的是该 proxy 大幅变化，不等价于版权复制率降低 46.92 pp。
4. [统计] 因为所有主表都没有 seed、标准差和显著性检验，所以 FFHQ/3k 的 FID 6.42 vs 6.46 不能支持任何质量排序；甚至 CIFAR-10 的 1k FID 10.46 优于 3k 的 14.73，说明跨规模比较存在未解释方差或设置差异。
5. [参数一致性] 因为理论 VP 定义 σ_t ∈ [0,1]，实验文字却称 σ_tn ∈ [0.4,4]（Figure 1/§5.1），所以复现者无法仅凭论文确定阈值究竟是 VP 标准差、EDM sigma 还是变换后的时间坐标。
6. [条件生成边界] 因为本文单独用于 LAION-10k 时平均相似度只从 0.378 到 0.373（相对 −1.32%），同时 FID 18.18→18.34，所以“文本条件也有效”的表述必须限定为与 S23/W24 组合，而非独立有效。
7. [计算公平性] 因为论文未报告 GPU-hour、吞吐或额外数据构造/双分支采样成本，所以无法判断相对 DDPM 的 Pareto 改进是否仍是等计算预算下的 Pareto 改进。
8. [攻击面] 因为评测只做最近邻相似度，没有训练数据提取、成员推断、canary exposure 或多查询聚合攻击，所以“固定 noisy copy 不随生成数线性泄露”的理论优势没有被现实攻击验证。

12. 开放挑战：可操作的 head-to-head 空白

12.1 理论

• 整体分布下界实验：在共享架构与 sampler 下对 DDPM、本文、score smoothing 三者，测终点分布到经验分布/真实分布的 Wasserstein 距离；同步验证中间互信息是否预测最终 extraction rate。
• 阈值缩放律：固定数据分布，系统改变 n ∈ {300, 1k, 3k, 10k, 30k}、分辨率和网络容量，比较最优 t_n 与后续工作中的 τ_mem ∝ n；目标是得到可证、可拟合的相变边界。
• 固定噪声查询预算：比较每图 noisy copies k ∈ {1, 2, 4, 8, ∞}，测互信息估计、FID、DINO/SSCD 复制率，检验泄露是否随 k 单调增长。

12.2 工程应用

• 等 GPU-hour 对比：DDPM+早停、DDPM+weight decay、本文、DP-SGD、caption mitigation 在相同 H100 小时下比较 FID、CLIP、p95 延迟与 extraction success；这是判断生产价值的最低公平线。
• 多指标复制审计：同一 50k 生成集同时用 DINOv2、SSCD、LPIPS、像素哈希和盲人评，构造阈值 ROC；head-to-head 检验“降低 DINO 最近邻”是否只是特征空间规避。
• 真实私有域：在有授权的医学/人脸小样本集植入 canary，比较本文与 DP 扩散的成员推断 AUC和诊断/身份保真；避免用 FFHQ proxy 代替隐私结论。

12.3 新兴方向

• Flow Matching 迁移：同一 backbone 上比较分段 Ambient-FM、标准 FM、加温 score/velocity smoothing，测 NFE、FID、复制率；验证“高噪声结构—低噪声细节”是否依赖 diffusion parameterization。
• 3D/视频记忆：比较单帧 DINO、跨帧轨迹指纹、3D point-cloud matching，对本文式阶段权限与 rotation/temporal augmentation 做二乘二实验，检测局部复制是否在跨视角重组后被隐藏。
• 扩散语言模型：以相同 PII canary 和采样步数比较 DLM 的 mask-resolution、本文式固定 corrupted sequence 与 AR 解码；检验高采样分辨率导致的提取概率上升能否被阶段化数据权限打断。

13. 近期工作雷达

1. Why Diffusion Models Don't Memorize（2025）：提出生成质量出现时间 $\tau_{gen}$ 基本不随样本数变，而记忆时间 τ_mem 随 n 线性增长；它提示“早停”是本文必须面对的廉价基线。
2. How Diffusion Models Memorize（2025）：把记忆归因于早期去噪对训练样本的过估计与轨迹坍缩；与本文“控制高噪声段”方向相合，但机制从数据访问转向动态偏差。
3. Quantifying the Ease of Reproducing Training Data（2025）：用反向 ODE 的体积增长估计单个训练样本被复现的概率，为比最近邻阈值更连续的风险指标提供候选。
4. Memorization in 3D Shape Generation（2025）：显示 3D 记忆受模态、条件粒度、guidance scale 与 Vecset 长度影响；说明二维 DINO 阈值不能直接外推。
5. Smoothing the Score Function for Generalization（2026）：把经验 score 的尖锐 softmax 权重视为单点支配来源，并提出温度平滑；应与本文做同预算 head-to-head。
6. Characterizing Memorization in Diffusion Language Models（2026）：理论上把采样分辨率与精确提取概率关联，拓展了“哪段生成过程泄露”的问题到离散扩散。
7. Local Coverage Governs Memorization（2026）：把全局样本数改写为局部覆盖率，在同一模型内解释“稀疏区记、密集区泛化”；它直接挑战单一全局 $t_n$ 是否足够。

14. 结论

这篇论文最值得带走的不是一个新的 diffusion loss，而是“把记忆权限按噪声阶段切开”的设计观。它在最有说服力的小样本无条件设置中确实把复制 proxy 大幅降低且不损 FID：CIFAR-10/300 的最高阈值相似率 56.56%→9.64%，FID 25.10→23.91。但外推必须收紧：文本条件下单独收益仅 0.005 相似度，缺少多种子、攻击评测、等算力比较和端到端隐私理论；它应被视为可组合的 anti-memorization building block，而不是“生成无需记忆”的最终答案。

复算说明：所有绝对/相对提升均由报告依据论文表格数值计算，保留两位小数；相似率差使用百分点（pp）。
完整性说明：论文未报告五基准×六方法统一矩阵、标准差、显著性、完整超参 sweep 或 GPU-hour，本报告均未补造。
呈现验证说明：HTML 已通过 Warm Editorial 结构验证器（0 warnings），并以响应式/打印 CSS 做静态审计；本机未提供 /usr/bin/chromium 或 /opt/pw-browsers 可执行文件，因此无法如实声称完成 Playwright 的浅色、深色与移动端截图检查，且未运行 playwright install。
索引更新：已将本报告条目追加到 ml-report-index.md。