LinSlot用线性表示假设把槽表示拆成物体与属性，DCI与FG-ARI优于基线

论文提出一个三步生成模型：先为每个物体的每个因子采样概念索引与概念值（概念先验为正态分布，使每个因子的分布成为高斯混合模型），再把物体表示写成因子表示的线性求和，最后由物体表示生成图像。 此前的块-槽注意力方法假定物体表示可均匀分解为属性，本文改为用线性表示假设给出这一线性组合的生成式依据，并据此推导出可优化的 ELBO。 生成过程与联合分布以公式形式给出，ELBO 的完整推导放在附录 A.2，训练目标由重建项、槽正则项与块正则项三部分构成。

在生成模型与分段仿射等假设下，论文给出块（属性）的可辨识性结论：给定槽固定，块可辨识到平移与置换。 这为无监督属性发现提供了理论刻画，而不只是经验性的解耦效果。 证明思路是把槽的生成写成线性高斯模型，引用 Kivva 等人的可辨识性定理，再通过混合分量数的矛盾论证变换矩阵必须是块置换矩阵。

论文在四个数据集与四种槽方法上测量同一 delta 方向的两组估计之间的余弦相似度，发现同因子 delta 方向的相似度一致高于不同因子之间。 这被作者称为首次在槽空间展示线性表示假设，且该趋势跨数据集与跨槽方法成立，包括使用预训练扩散解码器的方法。 表 1 给出具体数值，例如 CLEVR-Easy 上槽注意力为 0.6610 对 0.2232、SLATE+ 为 0.7465 对 0.1647；MOVi-C 上 CODA 绝对值较低，作者归因于槽推断中的过分割或欠分割。

LinSlot 与使用块解码器的 LinSlotB 在 CLEVR-Easy 与 CLEVR-Hard 上的 D、C 与 FG-ARI 分数优于全部基线，在 CLEVR-Tex 上 D、C 与最佳方法持平，且两种方法的方差低于其他基线。 该框架不需要专用解码器，也不需要块-槽注意力所需的大量超参数调优，同时属性发现与物体发现同时改善。 结果以 DCI 与 FG-ARI 曲线呈现；消融显示去掉两阶段训练或去掉混合槽解码会明显影响 D 与 C，两者都去掉会导致训练崩溃，而模型对 GRU 与 MLP 的选择不敏感。

该框架面向无监督的静态多物体图像，适用于以槽注意力为基座、需要属性级解耦与可解释编辑的场景；由于槽后验可独立实现甚至预训练，块发现模块不绑定特定槽方法，便于替换不同解码器。作者指出未来工作包括端到端可辨识性、扩展到视频，以及对全局属性与物体交互的显式建模。

模型未显式表示背景以及光照、风格等全局属性，作者将其视为不确定性来源。可辨识性结论依赖分段仿射等假设，且以槽固定为前提，端到端可辨识性仍待解决。表 6 中稳定秩与参与率的具体数值在正文中未列出，因此因子子空间维度的定量结论只能依据文字描述。此外，线性性证据来自合成基准与 MOVi-C 帧，向真实复杂场景的推广仍需进一步观察。