该框图分为四个部分：A您上传论文已实现，梳理了从10类温室番茄图像出发，经过病害语义与空间掩膜（提示词→受控扩散生成）、Swin+CLIP检测（跨模态特征交互），最终达到原论文报告mAP@50 94.37%的完整链路；B已有论文覆盖的方法，列出了FROST、GeADS、GRADFILTERING、SSR（数据选择）及PRISM等需对照而不能直接宣称首次提出的现有机制；C候选创新，提出了“病理可信 × 来源谱系 × 困难组梯度效用 × 成本预算”的联合机制假设，包含训练域内合成样本（真实图像+原图ID+病斑掩膜）、病理可信筛选（类别/形态/位置+冲突门控）、来源谱系约束（同源去重+派生+样本权重上限）、分组效用估计（长尾病种梯度+困难环境风险）及受预算约束的训练（LoRA参数更新+周期反馈），并强调仅用训练场内的实时反馈调整数据配比，不让最终测试集参与选择；D最重要的公平验证，要求相同基座、相同数据与可比较的GPU预算，详细列出了对比基线（随机/质量/FROST/GeADS等）、消融设计（无病理门控/无谱系/无分组梯度/无预算）、评估指标（Macro-F1/少数类召回/定位AP/GPU小时）及数据边界（多温室外部测试需真实来源标签，不可用随机拆分代替）。