3. 局限性與改進建議 (Limitations and Suggestions for Improvement)#

儘管本論文具有顯著的創新，但作為一個嚴謹的研究，仍存在一些差異模糊、假設過強以及實驗待完善之處。

• 對「認知過程」的簡化與理想化：

  • 論文的核心假設是人類的記憶或描述過程是嚴格線性序列 (Strictly Linear Sequence) 的。然而，認知心理學研究表明，人類記憶的提取比這要複雜。它可能是層級式的 (先有整體佈局，再填充細節)、聯想式的 (一個概念觸發另一個)、甚至可能是可修正的 (回想起新細節後會修正舊有印象)。當前的模型將認知過程簡化為一個不可逆的線性鏈條 (text $\to$ $s_1 \to s_2 \to \cdots \to s_N$), 這是一個過於簡化的模型。
  • 建議：未來研究應探索更準確的認知交互模型，例如：
    1. 可編碼的序列: 允許使用者在生成過程中返回並修改先前的草圖或概念，模型需要動態調整已生成的內容。
    2. 層級式生成: 先根據文本生成一個模糊的全域場景 (對應記憶中的「要旨」(gist))，然後再根據草圖逐步「雕刻」細節。
    3. 無序輸入處理: 研究如何從一組無序的草圖中，自動推斷出最佳的生成順序。

• 方法論的潛在問題與細節缺失：

  • 順序依賴性的詛咒 (The Curse of Order Dependency)：論文中 Preserving Loss 的輸出品質高度依賴於使用 text 的順序。例如 apple on table 和 table on apple 的順序。如果使用者優先畫 apple，那麼模型可能會導致優先生成 apple 的形狀。這會導致模型更傾向於在後續的 table 上生成 apple。如果使用者優先畫 table，那麼模型可能會導致模型更傾向於在後續的 apple 上生成 table。這種順序依賴性會導致模型對生成結果的影響，無法在後續生成結果中進行調整。
  • 「外觀先驗」的剛性 (Rigidity of Appearance Prior):
    • 論文中 Preserving Loss 的輸出品質高度依賴於使用 text 的順序。例如 apple on table 和 table on apple 的順序。這會導致模型更傾向於在後續的 table 上生成 apple。如果使用者優先畫 table，那麼模型可能會導致模型更傾向於在後續的 apple 上生成 table。這種順序依賴性會導致模型對生成結果的影響，無法在後續生成結果中進行調整。
  • $\mathcal{L}_{app}$ 剛性： 論文中 Preserving Loss 的輸出品質高度依賴於使用 text 的順序。例如 apple on table 和 table on apple 的順序。這會導致模型更傾向於在後續的 table 上生成 apple。如果使用者優先畫 table，那麼模型可能會導致模型更傾向於在後續的 apple 上生成 table。這種順序依賴性會導致模型對生成結果的影響，無法在後續生成結果中進行調整。

• 實驗評估的不足：

  • 對LPIPS指標的錯誤詮釋：論文在表格和正文中指出，更高的 LPIPS 值代表「更豐富的細節」（或豐富度）。這與其原始用意不同，因為 LPIPS (Learned Perceptual Image Patch Similarity) 用於衡量兩張圖像之間的感知距離。在真實圖像作為參考的 FMC 數據集上，LPIPS 應該衡量生成圖像與真實圖像的相似度。如果分數更高，則代表相似度更低，這與論文的詮釋相反。
  • 數據集規模：FMC 數據集僅包含42個圖像，CMC 僅包含142個圖像。對於一個意圖在建立新範式的研究而言，這樣的規模較小，可能不足以充分證明方法的泛化能力。
  • 使用研究的斷層與該論：該論文沒有完全利用 FMC 數據集，只是用部分數據來評估模型。如果使用完整的 FMC 數據集，可能會導致模型在不同數據集上的表現差異，這與論文的結論相悖。