Distortion（失真/畸变）是一个横跨多个技术领域的核心概念，指信息在表示、传输、重建或压缩过程中偏离原始形态的程度。在机器学习语境下，它既包括图像与医学影像中的几何畸变，也涵盖降维可视化、图重构、生成模型等场景中的信息损失度量，近期相关研究呈现出从单一领域度量走向理论化、系统化评测的趋势。
Distortion 研究的近期进展
当前焦点与观察点
从这些工作看，distortion 相关研究有三条主线值得关注。一是理论化：如谱理论和温度失真的精确定律，研究者不再满足于经验指标，而是追求可证明的界。二是评测体系的扩展：MemTrapBench 这类工作（MemTrapBench：评测大模型记忆中的认知陷阱）虽然聚焦模型记忆中的认知偏差，但与“信息在传递中变形”的失真视角一脉相承，反映了学界对 AI 系统可靠性评测的兴趣上升。三是跨领域迁移：通信领域的感知—失真权衡（A Perception vs. Distortion Perspective on Score-Based Generative Channel Estimation）和电力系统预测中的安全—保真度权衡（Navigating the Safety-Fidelity Trade-off）表明，失真度量的思想正在被借用到信道估计、时序预测等新场景。
总体来看，distortion 已从具体工程问题上升为一种通用的分析语言：无论图重构、影像校正还是模型评测，核心都是量化“输出离真实有多远”。后续观察点在于，理论界能否覆盖更大规模的真实系统，以及这些度量方法是否会成为生成模型与可视化工具的标准评测组成部分。