解耦空間注意力 是什麼？
Disentangling Spatial Attention：解耦空間注意力 的完整解釋
將空間注意力機制中不同維度或語義因素的表示分離，使模型能獨立控制空間定位與內容特徵的技術。
解耦空間注意力（Disentangling Spatial Attention）是近年來電腦視覺與生成式 AI 研究的重要課題，特別是在 Diffusion Model 與 Vision Transformer 大規模應用的背景下，如何讓模型對空間資訊的處理更加透明、可控與模組化，成為提升生成品質與可編輯性的關鍵技術方向。
要理解解耦空間注意力，需先理解注意力機制（Attention Mechanism）在處理空間資訊時的本質限制。在標準的自注意力（Self-Attention）中，每個位置的特徵向量會透過 Query-Key-Value 機制與所有其他位置進行互動，最終輸出是各位置資訊的加權混合。這種全局混合使模型能捕捉長距離依賴，但同時也使不同語義因素（位置、內容、風格）高度糾纏在一起，難以獨立控制。
解耦（Disentanglement）的核心思想是學習一種表示空間，使得表示向量的不同維度或子空間對應不同的可解釋因素，修改其中一個維度不影響其他維度。在空間注意力的脈絡下，解耦目標通常包括：將空間位置資訊與語義內容資訊分離（知道「在哪裡」與「是什麼」是兩個獨立問題）；將全局佈局與局部紋理分離；或將前景主體與背景環境分離。
在生成式模型中，解耦空間注意力的應用價值尤為突出。以文生圖（Text-to-Image）模型為例，使用者往往希望能精確控制生成圖像中各元素的空間位置（「把貓放在左上角、狗放在右下角」），同時不影響兩個主體各自的外觀特徵。標準的交叉注意力（Cross-Attention）機制很難實現這種精確的空間定位控制，而 Disentangling Spatial Attention 的方法透過引入顯式的位置表示（如 Sinusoidal Position Encoding 的可學習版本、相對位置偏置、或基於邊界框的空間條件）與語義表示的分離，使這種精確控制成為可能。
代表性的研究工作包括：在 Stable Diffusion 架構上，研究者發現 UNet 中不同層的注意力圖具有不同的特性：較淺層的注意力圖主要編碼空間佈局資訊，較深層則更多關注語義內容細節。基於此發現，Prompt-to-Prompt、Plug-and-Play Diffusion 等方法透過替換或修改特定層的注意力圖來實現圖像編輯（例如在保持構圖不變的情況下改變「貓」為「狗」）。這些方法的本質就是利用了注意力機制中空間資訊的部分解耦特性。
在醫學影像分析中，解耦空間注意力也有重要應用。例如在腦部 MRI 分析中，將腫瘤的空間位置注意力與周圍正常組織的語義理解解耦，有助於模型更準確地定位病灶，同時避免空間定位偏差影響組織分類的準確性。在多模態融合（如 CT 與 MRI 的配準）場景中，解耦空間注意力有助於分離解剖結構的位置資訊與組織特性資訊，提升配準精度。
在 Vision-Language 模型（如 CLIP、BLIP 等）的視覺定位（Visual Grounding）任務中，「找到圖中符合文字描述的區域」本質上就是一種空間與語義的匹配問題，解耦空間注意力有助於模型明確地將文字描述的語義因素映射到對應的空間位置，而非混淆在整體特徵向量中。
技術實現上，常見的解耦空間注意力方法包括：引入顯式的空間嵌入分支（與內容嵌入分支並行）；使用因子分解的注意力分數（將全局注意力分解為空間注意力與通道注意力的乘積，如 SE-Net、CBAM）；以及在訓練目標中加入解耦損失（如最小化不同因素表示之間的互資訊）。評估解耦效果的常用指標是介入一致性（Interventional Consistency）：修改一個因素是否不影響其他因素的表示。
解耦空間注意力的研究在多個前沿方向上仍有廣闊的探索空間，包括在 3D 場景理解中的空間解耦、在視訊生成中的時間-空間注意力解耦，以及如何在不增加顯著計算代價的情況下實現更精細的解耦表示。