本研究探讨了图像分类模型信心缺失的原因，并提出了五种生成高能力反事实图像的新方法。这些反事实图像显著提高了多模态大语言模型对低模型能力原因的解释准确性，强调了反事实图像在解释低感知模型能力中的重要性。

本文探讨了生成扩散概率模型在医学图像分析中的应用，提出了一种新方法生成反事实图像，以提高脑病变的像素级预测。研究强调无监督学习和因果生成建模在医学影像中的重要性，旨在提升模型的鲁棒性和准确性。实验结果表明，该方法在多个医学影像数据集上表现优异，克服了传统方法的局限性。