因為目前師兄那邊提出了蛇模型這個概念跟我們目前的想法有點像，但是因為相差還是太大了，主要原因還是因為蛇模型這東西是不可微的，它返回的是坐標點，如果想要做引導的話還需要花費很多精力，所以目前不建議這麼幹，此篇文章將梳理過程記錄。

針對師兄和小伙伴們寫的ICCV 2025的論文草稿，題為《Subjective Camera 1.0: Bridging Human Cognition and Visual Reconstruction through Sequence-Aware Sketch-Guided Diffusion》，我因為閱讀之後想要在此篇文章梳理一下質疑點

因為目前我們需要將物理懲罰項梳理進我們的DPS改進算法中，作為一個遮罩讓整個項目變得更具備合理性，我需要在這篇文章中表述清楚：

因為將 MoE（Mixture-of-Experts）不符合我們的論文想法，MoE最大的特點是 Top-K 的設計產生的稀疏計算，但是我們認為所有的專家都是有用的，即使是讓 Top-K失效，使用 softmax的做法，也已經讓整個架構混亂，所以我想到了使用交叉注意力（Cross-Attention），作為我們新的方向。

我們當前的算法偽代碼公式是不夠好的，沒有加上MoE的模塊設計，也沒有具體實現 \mathcal{L}_{\text{stab}} 物理公式的懲罰性項來穩定矯正逆向採樣過程：

儘管 MoE 在當前場景更具優勢，但理解集成學習的原理仍然非常重要，因為 MoE 某種程度上可以看作是集成學習的一種更動態、更智能且對計算資源更友好的變體。以下是一些集成學習領域的經典論文，涵蓋了主要的方法論：

使用 tmux 是一個比 nohup 更好的選擇，因為它不僅能讓你的程序在後台持續運行，還能讓你隨時方便地重新連接回去，查看實時的輸出、滾動日誌，就像你從未離開過一樣。

因為我目前的黑洞逆問題科研工作，主要的思想是想要將很多個Prior先驗（模型），目前我為了怎麼將 MoE 去整合先驗模型進行思考設計，但是也不確定是不是具體我們想要的結果，關於 V3 的設計是針對 MoE 的 Router 層進行微調訓練，需要很多個先驗模型才能知道效果。