耳内镜图像不再只靠文字提示：CLNA把未写进提示的视觉差异变成可调潜变量，FID从52.91降到10.11
核心概要
耳内镜图像合成长期受限于文字提示只写诊断、不写色调与纹理等视觉细节，同一诊断类内的外观差异难以控制。CLNA在Stable Diffusion 2.1主干上加入一个风格编码器和双重交叉注意力，把这类未写进提示的属性压缩成连续潜变量，并用风格参数调节采样幅度。在正常鼓膜、分泌性中耳炎和慢性中耳炎三类耳内镜图像上，对留出的内部测试集，FID由基线Stable Diffusion的52.91降至10.11，特征空间召回率由57.67%升至90.22%。
深度剖析
耳内镜图像合成现在可以调节文字提示之外的视觉差异，而诊断类别仍由提示固定。 此前的可控文生图方法依赖空间图、参考图像或可组合条件信号，推理时需要额外输入；仅有诊断级提示时难以使用。 在内部测试集上，CLNA的FID为10.11，基线Stable Diffusion为52.91；k近邻召回率为90.22%，基线为57.67%。
做法是在扩散模型主干里加一条专门承载风格的通道。 风格编码器是一个卷积下采样网络，从干净图像潜变量的最后特征图两行读出高斯后验的均值和方差，再重参数化采样出风格潜变量。 该潜变量作为单个token，经双重交叉注意力注入去噪U-Net的三个下采样块、中间块和三个上采样块；训练损失由去噪项与KL正则项组成，KL权重取1。
生成图像可以部分替代真实图像训练下游分类器。 只用真实数据训练的分类器在内部测试集上F1为94.46%，在外部测试集上单次运行为83.76%。 用CLNA生成图像替换10%–40%真实训练数据后，内部测试集F1为93.57%–94.08%，外部测试集F1为84.81%–85.30%；完全用生成图像替换时，CLNA在内部测试集为78.53%、外部测试集为72.37%，基线分别为70.25%和54.26%。
启示与展望
验证范围是耳内镜图像的三类诊断——正常鼓膜、分泌性中耳炎和慢性中耳炎，内部数据来自单一中心2018至2020年的视频帧，外部数据为公开的AI-HUB耳镜图像集；FID与召回率均在域适应InceptionV3特征空间中计算。
风格参数只能调节非提示视觉变化的幅度，不能按用户指定的视觉或临床属性控制变化方向；FID与召回率的改善限于域适应特征空间，未确立与特征提取器无关的质量优势；读者研究未纳入基线模型生成的图像；每个诊断类只用一条固定提示，对提示措辞变化的稳健性未评估；两个数据集均采集自单一国家，且因数据匿名化无法进行人口学分析。