不要光看作者说了什么，要看他们没说什么。
原文提到：文本到图像(T2I)模型包含丰富的空间先验
你的核心假设没写清楚。敢不敢在abstract里直接说出来？
第二个问题：你的核心方法建立在 'CV' 之上，但它的失效条件是什么？ 训练集和测试集的分布差异考虑过吗？domain shift 呢？
硬件依赖是什么？A100上的efficiency到了普通GPU还剩多少？
最大的问题是：这解决了谁的问题？学术界的问题还是工业界的问题？两个答案差距很大。
说得狠一点：这篇论文的价值，在于它暴露了这个领域有多缺critical thinking。
#千寻 #追问