[CVPR 2025(?)] NEGATE: 语言否定——扩散模型生成动力学中的结构化约束

TL;DR

尽管 AI 能够生成令人惊叹的视频，但它们往往听不懂“不”字。当你要求“一个没有车的公路”，模型往往还是会画上几辆车。NEGATE 提出了一种优雅的数学解法：不再试图通过海量数据教模型理解否定，而是将否定建模为生成轨迹上的凸可行性约束。通过在每一帧的扩散过程中进行最小能量投影，该方法在不改变模型参数的情况下，完美解决了视频生成中的否定语义失效问题。

1. 痛点：为什么扩散模型是“乐天派”？

当前的文本到视频（T2V）扩散模型本质上是基于“肯定对齐”的。其核心机制 Classifier-free Guidance (CFG) 旨在增强文本中出现的特征。如果你提到“车”，模型就强化“车”的特征；如果你提到“没有车”，模型检测到“车”这个 Token，依然可能在隐空间中激活“车”的表征。

此外，视频生成存在时间漂移。即便初始帧没有车，随着扩散步数的增加，模型可能会在背景中逐渐“幻觉”出受禁物体。这种缺乏逻辑连贯性的生成方式，限制了 AI 在高精度内容创作（如法律、安全模拟）中的应用。

2. 核心直觉：从语义到几何约束

作者认为，否定不应只是一个提示词（Prompt），而应是一个边界条件。

2.1 语义分解 (Semantic Decomposition)

NEGATE 首先将提示词 $y$ 分解为：

• $y^{+}$: 肯定的语义成分。
• $y^{-}$: 被禁用的语义跨度（如“正在用的手机”）。
• $\mathcal{S}$: 语法作用范围和逻辑结构。

2.2 最小能量投影 (Minimal-Energy Projection)

在扩散的每一步，原始的 CFG 增量方向 ${\delta }_{ref}$ 可能会指向受禁区域。NEGATE 通过数学上的 KKT 条件，计算出一个修正后的更新方向 ${\delta }_t^{\ast }$： ${\delta }_t^{\ast }=ext{argmin}_{\delta }\frac{1}{2}\Vert \delta -{\delta }_{ref}{\Vert }^{2}exts.t.a_t^{o}p\delta \le b_t$ 其中 $a_t$ 是指向受禁语义的方向，而 $b_t$ 是容忍阈值。这就像给生成的轨迹装上了轨道，一旦轨迹偏向“受禁内容”，投影操作就会以最小的代价将其推回安全区。

图 1: NEGATE 框架概览。展示了如何通过凸投影修正扩散轨迹，确保生成内容符合否定约束。

3. 语言学的 8 大挑战

该论文不仅解决了简单的“物体消失”，还建立了一个覆盖 8 类否定现象的基准测试集：

1. AOC (物体缺失): “没有车的公路”。
2. LEN (延迟涌现): 防止物体在视频后期突然出现。
3. SFN (结构化功能否定): “拿着手机但不使用它”。（极其困难，需保留物体但抑制特定动作）
4. DNS (双重否定): “不是没亮灯的舞台”。
5. SND (作用域歧义): “老师在帮助一个没专心听讲的学生”。

图 2: 结构化功能否定 (SFN) 的结果。注意 NEGATE 如何成功保留了“手机”这一物体，但准确抑制了“由于看手机产生的特定交互习惯”。

4. 实验战绩：全方位超越基准

在 Mochi 和 HunyuanVideo 等顶尖模型上，NEGATE 在不损失图像质量的前提下大幅降低了否定违反率：

• NVR (否定违反率): 相比基线降低了约 30-40%。
• NCS (合规得分): 显著高于对比模型。
• 效率: 虽然引入投影增加了约 25%-50% 的推理时间，但考虑到无需训练且逻辑严密，这一代价在专业领域完全可以接受。

表 1: 定量评估结果。NEGATE 在 CLIPScore 和 NCS 等多个维度均取得 SOTA 成就。

5. 专家视角：该工作的真实地位

NEGATE 的价值在于它跳出了“数据对齐”的怪圈。它并没有教模型说“不”，而是利用扩散模型本身作为概率流（Probability Flow）的特性，通过几何控制实现了逻辑一致性。

局限性：

• 语义解析依赖: 约束的有效性高度依赖于前端对提示词 $y^{-}$ 和作用域 $\mathcal{S}$ 的解析准确度。
• 隐空间线度: 如果预训练模型的隐空间本身无法区分某些复杂的否定变体，单纯的线性投影可能失效。

未来展望：

这种将“逻辑算子”转化为“动力学约束”的思路，极具启发性。未来我们可以期待看到类似的框架处理量词（如“所有的”、“至少两个”）或时态逻辑，从而将扩散模型从单纯的“图像合成器”进化为具备基础推理能力的“物理大模型”。

总结：NEGATE 是一门关于平衡的艺术——在生成创意与逻辑约束之间，通过优雅的凸投影找到了最优解。