【DL】信息注入

在多模态生成（如文生图、3D生成）和视觉语言模型（VLM/VLA）的架构设计中，如何将外部条件（如文本、音频、时间步、控制信号）优雅且高效地“注入”到主干网络（Backbone）中，是决定模型性能的核心。以下是深度整合了底层张量维度差异的5 大类主流信息注入方法全景指南：第一类：特征调制 (Feature Modulation)核心逻辑：不改变主干特征的维度（不增加新的 Token 或通道），而是通过改变特征的统计分布（均值和方差）或通道激活状态来注入全局条件。此类方法在数学上都遵循仿射变换（Affine Transformation）的范式：y=γ(c)⋅Φ(x)+β(c)y = \gamma(c) \cdot \Phi(x) + \beta(c)y=γ(c)⋅Φ(x)+β(c)其中，xxx是主干特征，ccc是外部条件，γ(c)\gamma(c)γ(c)和β(c)\beta(c)β(c)是由条件映射出的缩放（Scale）和平移（Shift）参数。Φ(x)\Phi(x)Φ(x)代表对特征的处理（可以是恒等映射，也可以是特定维度的归一化）。根据Φ(x)\Phi(x)Φ(x)处理的张量物理维度不同，这个家族演化出了四大经典变体：1. FiLM (Feature-wise Linear Modulation) —— 纯调制的开山鼻祖计算维度：Φ(x)=x\Phi(x) = xΦ(x)=x（无强制归一化）。对于[N,C,H,W][N, C, H, W][N,C,H,W]的特征，条件网络输出[N,C][N, C][N,C]维度的γ\gammaγ和β\betaβ，直接在空间维度跨