تسعى نماذج الانتشار الكامنة (Latent Diffusion Models - LDMs) لتحقيق مستوى عالٍ من الجودة أثناء عملية توليد الصور، لكن تلك النماذج تواجه مشكلة هشاشة في الفضاء الكامن، مما قد يؤدي إلى قفزات دلالية غير متوقعة أثناء عمليات التحرير. في هذا السياق، نقدم إطار عمل رياضي يعتمد على الهندسة الريمانية (Riemannian framework) لتشخيص هذا النوع من عدم الاستقرار.

يتمثل جوهر هذا البحث في تحليل الجاكوب (generative Jacobian) الخاص بالنماذج، حيث يتم تفكيك الهندسة إلى عنصرين رئيسيين، وهما التمدد المحلي (Local Scaling) والتعقيد المحلي (Local Complexity). وكشف الدراسات أننا نرى ظاهرة تعرف بـ "فك الارتباط الهندسي"، والتي تشير إلى أن الانحناء في عملية التوليد الطبيعية يقوم بتشفير تفاصيل الصور بشكل فعّال، لكن في حالات التوليد خارج نطاق التدريب (Out Of Distribution - OOD)، يظهر انحراف وظيفي حيث يتم إهدار الانحناء الشديد على حدود دلالية غير مستقرة بدلاً من التفاصيل المرئية.

يحدد هذا الإساءة في توزيع الهندسة ما يُعرف بالنقاط الساخنة الهندسية (Geometric Hotspots) التي تعد الجذر البنيوي لعدم الاستقرار، مما يوفر قياسًا داخليًا قويًا لتشخيص موثوقية التوليد. من خلال هذا الفهم المعمق، يمكننا تحسين نماذج الانتشار لتفادي الأخطاء وزيادة دقة النتائج.