Causal-Adapter 是一个模块化框架，用于使用固定的文本到图像扩散主干进行反事实图像生成。该方法能够在不改变图像核心身份的情况下对目标属性进行因果干预，并将影响持续传播到因果因变量。与以往依赖提示工程的方法不同，Causal-Adapter 利用结构因果建模，并辅以两种属性正则化策略：文本嵌入和对齐提示注入用于精确的语义控制，以及条件标记对比度损失用于分离属性元素并减少虚假相关性。Causal-Adapter 在合成数据集和真实数据集上均实现了最佳性能，在 Pendulum 数据集上，MAE 降低高达 91%，以实现精确的属性控制；在 ADNI 数据集上，FID 降低 87%，以实现高质量的 MRI 图像生成。
