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。

本研究提出了一种新方法，通过条件去噪扩散生成模型生成反事实磁共振图像，以提高深度学习模型在医疗影像中对不同采集参数的泛化性和鲁棒性。研究表明，使用反事实图像进行数据增强显著提升了分割精度。