最新发表于arXiv的论文提出两种利用扩散模型生成图像回归任务中反事实解释的创新方法。研究团队通过对比像素空间和潜在空间两种技术路径，系统性地揭示了不同方法在解释稀疏性和生成质量之间的权衡关系。该方法突破了传统反事实解释的局限性，通过扩散模型的强大生成能力，可创建更符合人类认知的高保真反事实样本。这项技术对医疗影像分析、自动驾驶等需要可解释AI的领域具有重要应用价值，其提出的评估框架也为后续研究建立了新的基准标准。论文中展示的视觉对比实验表明，潜在空间方法在保持语义连贯性方面表现优异，而像素空间方法则更擅长保留原始图像的细粒度特征。