Add Stage5 analysis: analysis-stage5-families (FINDINGS, tables, surfaces/scatter figures, scripts)

analysis/stage5-families/FINDINGS-families.md

@@ -0,0 +1,243 @@
+# 第5段階・サンプラー系比較 応答曲面分析（ERSDE-Simple / Euler-Beta）
+
+- データ: `Judge-results/Stage5-Families_20260907-235041/merged-results.csv`（3,330行 = 2系 x 15条件 x 111枚、欠損なし）
+- 対象: ERSDE-Simple、Euler-Beta x Prompt001〜005 x seed {5193, 6111, 9676}、各系 N=15
+- 主要指標: LPIPS-VGG（小さいほど良い）。副次: SSIM win11 (Wang)、散布図は SSIM win7 (skimage)
+- 損傷スケールの物差し: アンカー（±1ステップの自然揺らぎ）= 0.121
+- 生成スクリプト: `analyze_families.py`、`scatter/make_scatter.py`（いずれも再実行可能）
+- 比較対象: ERSDE-Beta（走査1）の既分析結果 `analysis-stage5-scan1/tables/`（再計算していない）
+
+## 0. 分析上の扱い（走査1と同一）
+
+**strength=0 行の扱い**: strength=0 では予測項が消えるため smoothing は無効になる。実生成でも `reuse.png` 1枚しか撮っていない。11x11 グリッドの strength=0 行には **reuse の実測値を11列すべてに複製**して埋めた（11点の独立測定ではなく1点の複製）。したがって「条件の最適点が strength=0 に来た」という結果は、**その条件では格子上のどの予測設定も reuse を上回れなかった**ことを意味する。
+
+**局所最小の数え方**: 実測された strength>=0.1 の 10x11 ブロックについて、8近傍のいずれよりも真に小さいセルを局所最小として数えた（複製行 strength=0 は除外）。
+
+**y軸レンジの扱い（散布図）**: 走査1のレンジ（LPIPS 0.255〜0.993 / SSIM-win7 0.000〜0.881）では本データがはみ出す（実測 LPIPS 0.078〜1.043、SSIM-win7 0.0005〜0.971）。そこで**3系を通した全系共通の新レンジ**に統一した:
+
+- **LPIPS-VGG: 0.058 〜 1.063**
+- **SSIM (win7): 0.000 〜 0.991**
+
+走査1の散布図は既存ファイル変更禁止のため再描画していない。**3系を並べて目視比較する際は、走査1のCSVにも同じレンジを適用して描き直す必要がある**（`scatter/make_scatter.py` 冒頭の `UNIFIED_*` を流用可）。
+
+---
+
+# I. ERSDE-Simple
+
+出力: ヒートマップ `surfaces/surface_ERSDE-Simple_*.png` と `surface_MEDIAN-15cond_ERSDE-Simple.png` / `surface_MEAN-15cond_ERSDE-Simple.png`、散布図 `scatter/scatter-lpips_ERSDE-Simple_*.png`・`scatter/scatter-ssim_ERSDE-Simple_*.png` と `scatter/sheet-lpips_ERSDE-Simple.png`・`scatter/sheet-ssim_ERSDE-Simple.png`、表 `tables/*_ERSDE-Simple.csv`、`tables/summary_ERSDE-Simple.json`
+
+## I-1. 条件別曲面と最適点
+
+reuse 基線: LPIPS 中央値 **0.324**、範囲 0.160〜0.504（ERSDE-Beta の 0.413 より軽い）。
+
+| 条件 | strength | smoothing | LPIPS | reuse | 改善 |
+|---|---|---|---|---|---|
+| P001-schoolgirl-5193 | 0.1 | 0.4 | 0.2972 | 0.3059 | +0.0087 |
+| P001-schoolgirl-6111 | **0.0 (reuse)** | - | 0.4248 | 0.4248 | 0 |
+| P001-schoolgirl-9676 | 0.6 | 0.4 | 0.3774 | 0.4294 | +0.0520 |
+| P002-android-5193 | 0.2 | 0.5 | 0.3042 | 0.3312 | +0.0270 |
+| P002-android-6111 | **0.0 (reuse)** | - | 0.3332 | 0.3332 | 0 |
+| P002-android-9676 | 0.6 | 0.1 | 0.2380 | 0.2841 | +0.0461 |
+| P003-woman-5193 | 0.2 | 0.4 | 0.1556 | 0.1605 | +0.0048 |
+| P003-woman-6111 | 0.8 | 0.1 | 0.4386 | 0.4395 | +0.0009 |
+| P003-woman-9676 | 0.1 | 0.0 | 0.1944 | 0.1978 | +0.0034 |
+| P004-shop-5193 | 0.2 | 0.5 | 0.3561 | 0.3777 | +0.0215 |
+| P004-shop-6111 | **0.0 (reuse)** | - | 0.5045 | 0.5045 | 0 |
+| P004-shop-9676 | 0.1 | 0.0 | 0.3135 | 0.3235 | +0.0101 |
+| P005-inkwash-5193 | 0.2 | 0.5 | 0.1865 | 0.2113 | +0.0247 |
+| P005-inkwash-6111 | **0.0 (reuse)** | - | 0.2762 | 0.2762 | 0 |
+| P005-inkwash-9676 | 0.1 | 0.1 | 0.2433 | 0.2571 | +0.0138 |
+
+**4条件（P001-6111 / P002-6111 / P004-6111 / P005-6111）で121セルのどこにも reuse を上回る設定がなかった。** ERSDE-Beta では負ける条件がプロンプト（shop）に固まっていたのに対し、ERSDE-Simple では **seed 6111 の5条件中4条件**に固まっている（偏りの軸がプロンプト側からシード側へ移っている）。
+
+- **strength 軸**: 範囲 0.0〜0.8、中央値 0.1、IQR 0.05〜0.20
+- **smoothing 軸**: 範囲 0.0〜0.5、中央値 0.1、IQR 0.0〜0.40
+
+## I-2. 共通1点
+
+- **中央値基準: (strength 0.1, smoothing 0.0)、集約LPIPS 0.3135**（reuse行 0.3235 より良い）
+- **平均基準: (strength 0.0) = reuse そのもの、集約LPIPS 0.3238**。予測をかける前提（strength>=0.1）に制限した平均最小セルは **(0.1, 0.3)、平均LPIPS 0.3330**（reuse行の平均 0.3238 より悪い）
+- 上位5セル（中央値基準）は 0.3135〜0.3163 の 0.003 差に密集し、**strength 0.1〜0.2 x smoothing 0.0〜0.4** にばらける。位置は集約方法にあまり頑健ではない（中央値 (0.1,0.0) と制限付き平均 (0.1,0.3) が食い違う）。
+
+**共通点 (0.1, 0.0) における各条件の損失**（`tables/common-point-loss_ERSDE-Simple.csv`）: 中央値 **+0.0204（アンカー比 16.9%）**、最大 **+0.1041（86.0%）**。
+
+## I-3. Reuse 比の改善
+
+`tables/reuse-comparison_ERSDE-Simple.csv`。共通点 (0.1, 0.0) と各条件の reuse の対応差（正=改善）:
+
+- **改善の中央値: -0.0049（アンカー比 -4.1%、中央値では悪化）**
+- 範囲: -0.0816 〜 +0.0121
+- **改善 6 / 15、悪化 9 / 15**
+- **Wilcoxon 符号順位検定 p = 0.208**（有意差なし）
+- 制限付き平均基準の共通点 (0.1, 0.3) でも: 改善中央値 +0.0007（+0.6%）、改善 8/15、**p = 0.762**（有意差なし）
+
+プロンプト別改善中央値: schoolgirl -0.0008、android -0.0272、woman -0.0049、shop -0.0100、inkwash +0.0043
+シード別改善中央値: 5193 -0.0060、6111 -0.0272、9676 +0.0074
+
+**チェリーピック上限**（各条件が格子から自条件最良の予測セル（strength>=0.1）を後から選ぶ場合、`tables/best-prediction-vs-reuse_ERSDE-Simple.csv`）:
+
+- 改善中央値 **+0.0087（アンカー比 7.2%）**、範囲 -0.0816 〜 +0.0520、改善 11/15、**Wilcoxon p = 0.359**
+- strength=0（改善0）も選択肢に含めた自条件最適では中央値 +0.0087、p = 0.0033
+
+## I-4. 単峰性
+
+`tables/unimodality_ERSDE-Simple.csv`。**単峰仮説は文字どおりには成立しない**が、ERSDE-Beta より凹凸は少ない: 局所最小の個数は 2個が6条件、3個が3条件、4個が2条件、5個が1条件、6個が2条件、7個が1条件（**中央値3個**、ERSDE-Beta は中央値5個）。低損傷側（その条件の実測レンジの下半分）に限れば 1〜2個が9条件（中央値2個）。
+
+中央値曲面の局所最小: (0.1,0.0)=0.3135、(0.1,0.4)=0.3144、(0.6,0.4)=0.3774、(1.0,0.99)=0.8774。低損傷帯の2点は 0.0009 差の実質同点で、**低損傷帯は概ね一つのなだらかな谷**である。
+
+**二層構造**: 中央値曲面の EMA別プロファイル（strength>=0.1 の中央値）は 0.0→0.410、0.4→0.380、0.5→0.392、0.6→0.430、0.7→0.547、0.8→0.668、0.9→0.855、0.99→0.878。**EMA 0.0〜0.5 が安定層（0.38〜0.41）、EMA 0.7 以降が崩壊層（0.55→0.88）** という二層構造が明確に存在する。
+
+## I-5. 平坦さ
+
+`tables/curvature-near-common_ERSDE-Simple.csv`。共通点 (0.1, 0.0) の4近傍（±0.1）:
+
+- 近傍差の絶対値平均: 条件ごとの中央値 **0.0053**、最大 0.0498
+- 変化幅のアンカー比: 条件ごとの中央値 **10.8%**
+- 中央値曲面での近傍差: strength 0.0 側 +0.0101、strength 0.2 側 +0.0024、smoothing 0.1 側 +0.0028
+
+**ERSDE-Beta（中央値 30.5%）よりさらに平坦**。格子解像度は結論を動かす要因ではない。
+
+## I-6. SSIM との整合
+
+`tables/ssim-vs-lpips-optima_ERSDE-Simple.csv`。中央値SSIM曲面のピークは **(0.1, 0.5)**、LPIPS の共通ボトム (0.1, 0.0) と smoothing で 0.5 ずれる（ただし LPIPS 側でも (0.1,0.4) が 0.0009 差の実質同点であり、谷が smoothing 方向に平坦なことの反映）。条件別では 7/15 で完全一致。
+
+---
+
+# II. Euler-Beta
+
+出力: ヒートマップ `surfaces/surface_Euler-Beta_*.png` と `surface_MEDIAN-15cond_Euler-Beta.png` / `surface_MEAN-15cond_Euler-Beta.png`、散布図 `scatter/scatter-lpips_Euler-Beta_*.png`・`scatter/scatter-ssim_Euler-Beta_*.png` と `scatter/sheet-lpips_Euler-Beta.png`・`scatter/sheet-ssim_Euler-Beta.png`、表 `tables/*_Euler-Beta.csv`、`tables/summary_Euler-Beta.json`
+
+## II-1. 条件別曲面と最適点
+
+reuse 基線: LPIPS 中央値 **0.286**、範囲 0.182〜0.399（3系で最も軽く、最もばらつきが小さい）。
+
+| 条件 | strength | smoothing | LPIPS | reuse | 改善 |
+|---|---|---|---|---|---|
+| P001-schoolgirl-5193 | 0.7 | 0.2 | 0.3090 | 0.3437 | +0.0347 |
+| P001-schoolgirl-6111 | 0.4 | 0.4 | 0.1904 | 0.3433 | +0.1529 |
+| P001-schoolgirl-9676 | 0.7 | 0.0 | 0.3055 | 0.3987 | +0.0932 |
+| P002-android-5193 | 1.0 | 0.0 | 0.1333 | 0.2862 | +0.1528 |
+| P002-android-6111 | 0.6 | 0.3 | 0.3169 | 0.3683 | +0.0514 |
+| P002-android-9676 | 0.1 | 0.7 | 0.3454 | 0.3654 | +0.0200 |
+| P003-woman-5193 | 0.9 | 0.0 | 0.0778 | 0.1815 | +0.1037 |
+| P003-woman-6111 | 0.7 | 0.0 | 0.1459 | 0.2102 | +0.0643 |
+| P003-woman-9676 | 0.6 | 0.1 | 0.1288 | 0.1924 | +0.0636 |
+| P004-shop-5193 | 0.7 | 0.2 | 0.2574 | 0.3001 | +0.0427 |
+| P004-shop-6111 | 0.3 | 0.2 | 0.2270 | 0.2589 | +0.0319 |
+| P004-shop-9676 | 0.3 | 0.1 | 0.2503 | 0.2698 | +0.0195 |
+| P005-inkwash-5193 | 0.9 | 0.0 | 0.1585 | 0.1995 | +0.0410 |
+| P005-inkwash-6111 | 0.3 | 0.1 | 0.2795 | 0.2923 | +0.0129 |
+| P005-inkwash-9676 | **0.0 (reuse)** | - | 0.2138 | 0.2138 | 0 |
+
+**reuse を上回れなかったのは1条件のみ**（P005-inkwash-9676）。ERSDE-Beta の4条件、ERSDE-Simple の4条件と対照的である。
+
+- **strength 軸**: 範囲 0.0〜1.0、中央値 **0.6**、IQR 0.3〜0.7 — 他2系（中央値 0.1）と大きく異なり、**強い予測が有利**
+- **smoothing 軸**: 範囲 0.0〜0.7、中央値 0.1、IQR 0.0〜0.2 — 他2系より**低平滑寄り**
+
+## II-2. 共通1点
+
+- **中央値基準: (strength 0.3, smoothing 0.1)、集約LPIPS 0.2503**（reuse行 0.2862 より 0.0359 良い）
+- **平均基準: (strength 0.6, smoothing 0.1)、集約LPIPS 0.2487**（reuse行平均 0.2816 より 0.0329 良い）
+- **どちらの基準でも strength>0 が選ばれる**（他2系では平均基準が reuse そのものを選んだ）
+- 上位5セル（中央値基準）は 0.2503〜0.2572 の 0.007 差で **strength 0.3〜0.4 x smoothing 0.0〜0.2** に密集。位置は頑健。
+
+**共通点 (0.3, 0.1) における各条件の損失**: 中央値 **+0.0286（アンカー比 23.6%）**、最大 **+0.1013（83.7%）**。損失自体は3系で最大だが、後述のとおり reuse を上回る幅がそれを超えている。
+
+## II-3. Reuse 比の改善
+
+`tables/reuse-comparison_Euler-Beta.csv`。共通点 (0.3, 0.1):
+
+- **改善の中央値: +0.0271（アンカー比 +22.4%）**
+- 範囲: -0.0365 〜 +0.0727
+- **改善 13 / 15、悪化 2 / 15**
+- **Wilcoxon 符号順位検定 p = 0.015（有意）**
+- 平均基準の共通点 (0.6, 0.1) でも: 改善中央値 **+0.0349（+28.8%）**、改善 12/15、**p = 0.030（有意）**
+
+プロンプト別改善中央値: schoolgirl +0.0704、android +0.0324、woman +0.0409、shop +0.0195、inkwash +0.0129（**全プロンプトで正**）
+シード別改善中央値: 5193 +0.0143、6111 +0.0324、9676 +0.0195（**全シードで正**）
+
+**チェリーピック上限**（`tables/best-prediction-vs-reuse_Euler-Beta.csv`）:
+
+- 改善中央値 **+0.0427（アンカー比 35.3%）**、範囲 -0.0039 〜 +0.1529、改善 **14/15**、**Wilcoxon p = 0.0001**
+
+## II-4. 単峰性
+
+`tables/unimodality_Euler-Beta.csv`。局所最小の個数は 1個が1条件、2個が2条件、3個が3条件、4個が2条件、5個が3条件、7個/9個/10個/14個が各1条件（**中央値4個**）。局所最小が最も多い条件（14個）が現れる一方、1個の条件もあり、**条件間の曲面形状のばらつきが3系で最大**である。低損傷側の下半分に限れば 1〜2個が8条件（中央値2個）。
+
+中央値曲面の局所最小は3個: (0.3,0.1)=0.2503、(0.7,0.2)=0.2574、(0.1,0.5)=0.2693。**3個とも低損傷帯にあり**、高平滑帯の浅い凹凸が中央値曲面から消えている点が他2系と異なる。ただし低損傷帯に (0.3,0.1) と (0.7,0.2) という strength で 0.4 離れた2つの谷が並存しており、**低損傷帯が単一の谷とは言い切れない**（他2系では低損傷帯の複数最小が互いに 0.001 以内の実質同点だったのに対し、ここは 0.007 差の別々の谷）。
+
+**二層構造**: 中央値曲面の EMA別プロファイル 0.0→0.271、0.2→0.267、0.3→0.276、0.4→0.304、0.5→0.338、0.6→0.426、0.7→0.543、0.8→0.703、0.9→0.737、0.99→0.759。**EMA 0.0〜0.3 が安定層（0.267〜0.276）、EMA 0.6 以降が崩壊層（0.43→0.76）**。安定層が3系で最も狭い（Simple が 0.0〜0.5 なのに対し 0.0〜0.3）。二層構造そのものは3系すべてに存在する。
+
+## II-5. 平坦さ
+
+共通点 (0.3, 0.1) の4近傍: 近傍差の絶対値平均は条件ごとの中央値 **0.0065**、最大 0.0236。変化幅のアンカー比の中央値 **11.1%**。中央値曲面での近傍差は +0.0048〜+0.0079。ERSDE-Simple 同様に平坦。
+
+## II-6. SSIM との整合
+
+中央値SSIM曲面のピークは **(0.1, 0.0)**、LPIPS の共通ボトム (0.3, 0.1) と strength で 0.2 ずれる。条件別完全一致は 5/15。**Euler-Beta では2指標のズレが3系で最も大きい**（ERSDE-Beta は完全一致、Simple は smoothing のみズレ）。SSIM は LPIPS より弱い予測を好む方向にずれている。強い予測（strength 0.6〜1.0）は LPIPS では有利だが SSIM ではそこまで有利にならない、という指標間の食い違いが Euler-Beta に固有に現れている。
+
+---
+
+# III. 3系比較
+
+すべて N=15（Prompt001〜005 x seed 3種）、11x11格子、アンカー 0.121。ERSDE-Beta の数値は `analysis-stage5-scan1/tables/summary.json` からの引用（再計算していない）。
+
+## III-1. 突き合わせ表
+
+| 項目 | ERSDE-Beta（走査1） | ERSDE-Simple | Euler-Beta |
+|---|---|---|---|
+| reuse 基線 LPIPS 中央値（範囲） | 0.413（0.285〜0.625） | 0.324（0.160〜0.504） | **0.286（0.182〜0.399）** |
+| 共通最適点（中央値基準） | (0.1, 0.5) | (0.1, 0.0) | **(0.3, 0.1)** |
+| 共通最適点（平均基準） | (0.0)=reuse | (0.0)=reuse | **(0.6, 0.1)** |
+| 平均基準が予測を選ぶか | No | No | **Yes** |
+| 条件別最適 strength 中央値（IQR） | 0.1（0.05〜0.30） | 0.1（0.05〜0.20） | **0.6（0.3〜0.7）** |
+| 条件別最適 smoothing 中央値（IQR） | 0.4（0.0〜0.55） | 0.1（0.0〜0.40） | 0.1（0.0〜0.2） |
+| reuse に勝てなかった条件数 | 4/15 | 4/15 | **1/15** |
+| **共通���での reuse 比改善 中央値** | **-0.0025（-2.1%）** | **-0.0049（-4.1%）** | **+0.0271（+22.4%）** |
+| **改善/悪化 条件数** | 7 / 8 | 6 / 9 | **13 / 2** |
+| **Wilcoxon p（共通点 vs reuse）** | 0.359 | 0.208 | **0.015（有意）** |
+| 平均基準共通点での改善中央値・p | 0（reuse自身） | +0.0007 / p=0.762 | **+0.0349 / p=0.030（有意）** |
+| **チェリーピック上限 改善中央値** | +0.0130（10.7%） | +0.0087（7.2%） | **+0.0427（35.3%）** |
+| チェリーピック上限 改善条件数・p | 11/15、p=0.095 | 11/15、p=0.359 | **14/15、p=0.0001** |
+| 共通点損失（中央値 / 最大, アンカー比） | 21.6% / 116.4% | 16.9% / 86.0% | 23.6% / 83.7% |
+| 局所最小の個数（条件別中央値） | 5 | 3 | 4 |
+| 中央値曲面の局所最小 | 4個（うち2個は高平滑帯） | 4個（うち1個は高平滑帯） | 3個（**全て低損傷帯**） |
+| **二層構造の有無** | あり | **あり**（安定 EMA<=0.5 / 崩壊 EMA>=0.7） | **あり**（安定 EMA<=0.3 / 崩壊 EMA>=0.6） |
+| 低損傷帯が単一の谷か | 概ね単一 | 概ね単一（2点が 0.0009 差） | **単一とは言えない**（strength 0.3 と 0.7 に別の谷） |
+| 共通点近傍の変化幅（アンカー比中央値） | 30.5% | 10.8% | 11.1% |
+| SSIM ピークと LPIPS ボトムの一致 | 完全一致（条件別 6/15） | smoothing のみズレ（7/15） | strength 0.2 ズレ（5/15） |
+| 偏りが強く出る軸 | プロンプト（shop が全滅） | シード（6111 が4/5全滅） | なし（全プロンプト・全シードで正） |
+
+## III-2. 事前登録仮説への答え
+
+**仮説「ER SDE系1系で見えた『予測は Reuse に勝てない』が Euler 決定論系でも再現するか」**
+
+**再現しなかった。** 事実として:
+
+1. **ER SDE系の2系（Beta / Simple）では再現した。** 共通1点での reuse 比改善中央値はいずれも負（Beta -0.0025、Simple -0.0049）、改善条件数は半数以下（7/15、6/15）、Wilcoxon はいずれも有意でない（p=0.359、p=0.208）。平均基準の集約曲面は両系とも予測を一切かけない（strength=0）を選ぶ。**スケジュールが Beta から Simple に変わっても、ER SDE の枠内では結論は同一方向である。**
+
+2. **Euler-Beta では逆転した。** 共通1点 (0.3, 0.1) での改善中央値は **+0.0271（アンカー比 +22.4%）**、13/15 の条件で改善、**Wilcoxon p = 0.015 で有意**。平均基準の共通点 (0.6, 0.1) でも +0.0349、p = 0.030 で有意。全5プロンプト・全3シードで改善中央値が正であり、偏りの方向が揃っている。
+
+3. **効く予測の設定そのものが違う。** ER SDE系2系の最適 strength 中央値は 0.1（弱い予測）だが、Euler-Beta は **0.6**（IQR 0.3〜0.7、strength=1.0 が最適の条件もある）。**弱い予測を少しだけ足す ER SDE系と、強い予測を主に使う Euler 系で、応答曲面の性格が定性的に異なる。** smoothing は3系とも低〜中（中央値 0.1〜0.4）で、EMA を強くかけると崩壊する二層構造は3系すべてに共通する。
+
+4. **チェリーピック上限でも差は開く。** 条件ごとに後から最良セルを選ぶ上限性能では、ER SDE系が +0.0087〜+0.0130（アンカー比 7〜11%）にとどまるのに対し、Euler-Beta は **+0.0427（35.3%）、14/15 改善、p=0.0001**。H4（スキップ1回あたり損傷2〜3割減）の水準は、ER SDE系では上限ケースでも届かないが、**Euler-Beta では共通1点運用（22.4%）で下限側に、上限ケース（35.3%）で上振れ側に触れている。**
+
+## III-3. 注意すべき交絡・限界（事実として）
+
+- **reuse 基線の重さが3系で違う**（中央値 0.413 / 0.324 / 0.286）。Euler-Beta は基線が最も軽い。改善幅は絶対値（LPIPS差）で比較しており、基線に対する相対比では見ていない。基線が軽い系ほど改善の絶対幅が出やすいのか出にくいのかは、本データからは判定できない。
+- **Beta スケジュールは ERSDE-Beta と Euler-Beta で共通、ER SDE は Beta と Simple で共通**という 2x2 の欠けた設計であり、Euler vs ER SDE の効果と Beta vs Simple の効果は完全には分離できない。ただし ER SDE内で Beta から Simple に変えても結論が変わらなかったこと（III-2 第1項）は、**スケジュール側の寄与が小さく、サンプラー側（Euler か ER SDE か）の寄与が大きい**方向の材料である。Euler-Simple は未測定である。
+- **Euler-Beta では SSIM と LPIPS が3系で最も食い違う**（ピーク strength 差 0.2、条件別一致 5/15）。SSIM は Euler-Beta でも予測側を選ぶ（ピークは strength 0.1 で reuse ではない）が、LPIPS ほど強い予測を支持しない。指標選択で改善幅の見積もりは変わりうる。
+- **1複製・formula=Linear 固定**であ��。条件は決定論的（同一シード・同一パターン）で再現ノイズはないが、他の formula や複数複製での確認はしていない。
+- **Euler-Beta の低損傷帯には strength 0.3 と 0.7 の2つの谷が並存する**（0.007 差）。共通1点をどちらに置くかは集約方法で変わり（中央値なら 0.3、平均なら 0.6）、いずれも reuse に有意に勝つが、両者の間で運用上の意味が同じかは本データでは判定していない。
+
+## 所見（事実ベース。採否の裁定はユーザーの領分）
+
+1. **事前登録仮説は棄却される側の結果である。** 予測は Reuse に勝てない、という像は ER SDE系（Beta / Simple）に限定された現象であり、Euler-Beta では**逆に有意な改善**（共通1点で中央値 +22.4%、13/15改善、p=0.015）が観測された。
+2. **ER SDE系内部では結論が安定している。** Beta から Simple へのスケジュール変更で、共通点の位置（strength 0.1）、改善中央値が負であること、平均基準が reuse を選ぶこと、いずれも変わらなかった。
+3. **Euler-Beta は最適 strength が中央値 0.6 と高い。** 3系を横断する単一の推奨設定は存在せず、少なくともサンプラー系ごとに別の較正が要る、という像になる。系をまたいだプロンプト非依存の共通1点を要件とするなら、この差そのものが論点である。
+4. **EMA の二層構造は3系すべてに共通する。** 安定層の上限は ERSDE-Beta で概ね EMA 0.5〜0.6、ERSDE-Simple で 0.5、Euler-Beta で 0.3。**高EMAでの崩壊は系に依存しない構造的な性質**である一方、**安定層の広さは系依存**である。
+5. **単峰仮説は3系いずれでも文字どおりには成立しない。** ただし ER SDE系2系は低損傷帯が概ね一つの谷であるのに対し、Euler-Beta は低損傷帯に別々の2つの谷を持つ。
+6. **格子解像度は3系いずれでもボトルネックではない。** 共通点近傍±0.1 での変化幅はアンカー比で 10.8%〜30.5%、中央値曲面では 0.002〜0.019 しか動かない。密走査で詰められる余地は、系間の差（Euler-Beta の +0.027 と ER SDE系の -0.005、その差 0.032）より一桁小さい。
+7. **未測定の穴は Euler-Simple である。** 2x2 の残り1マスであり、Euler かどうか、と、Simple かどうか、の分離を最も直接に詰められる条件である（実施の可否は裁定事項）。
+
+（本報告は Stage5-Families の実測を要約したものであり、走査2の実施可否・Euler-Simple の追試可否・ResRefine の採否・実装方針の変更についての裁定は行わない。）

analysis/stage5-families/analyze_families.py

@@ -0,0 +1,335 @@
+# -*- coding: utf-8 -*-
+"""Stage5 Families response-surface analysis (ERSDE-Simple / Euler-Beta).
+
+Framework identical to analysis-stage5-scan1/analyze_scan1.py, run per family.
+Does not modify any existing file.
+"""
+import os, re, json
+import numpy as np, pandas as pd
+import matplotlib
+matplotlib.use("Agg")
+import matplotlib.pyplot as plt
+from scipy.stats import wilcoxon
+
+ROOT = r"S:\30_OriginalApps\16_HareSkip\experiment-HareSkip"
+CSV = os.path.join(ROOT, "Judge-results", "Stage5-Families_20260907-235041", "merged-results.csv")
+OUT = os.path.join(ROOT, "analysis-stage5-families")
+SURF = os.path.join(OUT, "surfaces"); TAB = os.path.join(OUT, "tables")
+os.makedirs(SURF, exist_ok=True); os.makedirs(TAB, exist_ok=True)
+ANCHOR = 0.121
+
+LP = "LPIPS - VGG"
+SS11 = "SSIM - win size 11 (Wang)"
+
+df_all = pd.read_csv(CSV, encoding="utf-8-sig")
+for c in df_all.columns:
+    if c not in ("Condition", "Job ID", "File name"):
+        df_all[c] = pd.to_numeric(df_all[c], errors="coerce")
+
+
+def parse(fn):
+    if fn == "reuse.png":
+        return 0.0, np.nan
+    m = re.match(r"str-(\d+)_ema-(\d+)\.png$", fn)
+    s = int(m.group(1)) / 10.0
+    e = m.group(2)
+    e = 0.99 if e == "099" else int(e) / 10.0
+    return s, e
+
+
+df_all[["strength", "smoothing"]] = df_all["File name"].apply(lambda f: pd.Series(parse(f)))
+df_all["prompt"] = df_all["Condition"].str.extract(r"_(Prompt\d+-[a-z]+)-")
+df_all["seed"] = df_all["Condition"].str.extract(r"-(\d+)$")
+df_all["family"] = df_all["Condition"].str.split("_").str[0]
+
+STR = [round(x, 1) for x in np.arange(0.0, 1.01, 0.1)]
+SMO = [round(x, 1) for x in np.arange(0.0, 0.91, 0.1)] + [0.99]
+
+FAMILIES = sorted(df_all["family"].unique())
+
+
+def heat(g, title, path, cbl="LPIPS-VGG (lower=better)"):
+    fig, ax = plt.subplots(figsize=(7.6, 6.2))
+    im = ax.imshow(g, origin="lower", aspect="auto", cmap="viridis_r")
+    ax.set_xticks(range(len(SMO))); ax.set_xticklabels([str(s) for s in SMO], fontsize=8)
+    ax.set_yticks(range(len(STR))); ax.set_yticklabels([str(s) for s in STR], fontsize=8)
+    ax.set_xlabel("EMA smoothing"); ax.set_ylabel("prediction strength")
+    ax.set_title(title, fontsize=9)
+    idx = np.unravel_index(np.argmin(g), g.shape)
+    ax.plot(idx[1], idx[0], marker="*", ms=18, color="red", mec="white", mew=1.0)
+    mid = (g.min() + g.max()) / 2
+    for a in range(g.shape[0]):
+        for b in range(g.shape[1]):
+            ax.text(b, a, ("%.3f" % g[a, b]).lstrip("0"), ha="center", va="center",
+                    fontsize=5.2, color="white" if g[a, b] > mid else "black")
+    fig.colorbar(im, ax=ax, label=cbl)
+    fig.tight_layout(); fig.savefig(path, dpi=130); plt.close(fig)
+
+
+def local_minima(g, include_row0=False):
+    sub = g if include_row0 else g[1:, :]
+    n, m = sub.shape; out = []
+    for a in range(n):
+        for b in range(m):
+            v = sub[a, b]; ok = True
+            for da in (-1, 0, 1):
+                for db in (-1, 0, 1):
+                    if da == 0 and db == 0:
+                        continue
+                    aa, bb = a + da, b + db
+                    if 0 <= aa < n and 0 <= bb < m and sub[aa, bb] < v:
+                        ok = False
+            if ok:
+                out.append((a + (0 if include_row0 else 1), b, v))
+    return out
+
+
+ALL = {}
+
+for FAM in FAMILIES:
+    df = df_all[df_all["family"] == FAM].copy()
+    conds = sorted(df["Condition"].unique())
+    grids, reuse = {}, {}
+    for c in conds:
+        d = df[df["Condition"] == c]
+        r = float(d[d["strength"] == 0][LP].iloc[0])
+        reuse[c] = r
+        g = np.full((len(STR), len(SMO)), np.nan)
+        g[0, :] = r
+        for _, row in d[d["strength"] > 0].iterrows():
+            g[STR.index(round(row["strength"], 1)), SMO.index(round(row["smoothing"], 2))] = row[LP]
+        assert not np.isnan(g).any(), c
+        grids[c] = g
+    G = np.stack([grids[c] for c in conds])
+
+    # ---------- 1. per-condition optima + heatmaps ----------
+    rows = []
+    for i, c in enumerate(conds):
+        g = grids[c]
+        idx = np.unravel_index(np.argmin(g), g.shape)
+        rows.append(dict(Condition=c, prompt=df[df.Condition == c]["prompt"].iloc[0],
+                         seed=df[df.Condition == c]["seed"].iloc[0],
+                         best_strength=STR[idx[0]], best_smoothing=SMO[idx[1]],
+                         best_LPIPS=g[idx], reuse_LPIPS=reuse[c],
+                         improvement_vs_reuse=reuse[c] - g[idx],
+                         improvement_pct_anchor=100 * (reuse[c] - g[idx]) / ANCHOR))
+    opt = pd.DataFrame(rows)
+    opt.to_csv(os.path.join(TAB, "per-condition-optima_%s.csv" % FAM), index=False, encoding="utf-8-sig")
+
+    for c in conds:
+        heat(grids[c], c + "\nLPIPS-VGG surface (strength x smoothing); row 0.0 = reuse, replicated",
+             os.path.join(SURF, "surface_%s.png" % c))
+    Gmed = np.median(G, axis=0); Gmean = G.mean(axis=0)
+    heat(Gmed, "%s / 15 conditions: MEDIAN LPIPS-VGG surface" % FAM,
+         os.path.join(SURF, "surface_MEDIAN-15cond_%s.png" % FAM))
+    heat(Gmean, "%s / 15 conditions: MEAN LPIPS-VGG surface" % FAM,
+         os.path.join(SURF, "surface_MEAN-15cond_%s.png" % FAM))
+    pd.DataFrame(Gmed, index=STR, columns=SMO).to_csv(
+        os.path.join(TAB, "median-surface_%s.csv" % FAM), encoding="utf-8-sig")
+
+    # ---------- 2. common single point ----------
+    im_ = np.unravel_index(np.argmin(Gmed), Gmed.shape)
+    ia_ = np.unravel_index(np.argmin(Gmean), Gmean.shape)
+    common = {"median": (STR[im_[0]], SMO[im_[1]], float(Gmed[im_])),
+              "mean": (STR[ia_[0]], SMO[ia_[1]], float(Gmean[ia_]))}
+    # restricted (strength >= 0.1) aggregate minima
+    def restricted(A):
+        sub = A[1:, :]
+        j = np.unravel_index(np.argmin(sub), sub.shape)
+        return (STR[j[0] + 1], SMO[j[1]], float(sub[j]))
+    common_restricted = {"median": restricted(Gmed), "mean": restricted(Gmean)}
+
+    def topk(A, k=5):
+        flat = [(float(A[a, b]), STR[a], SMO[b]) for a in range(11) for b in range(11)]
+        return sorted(flat)[:k]
+
+    loss_rows = []
+    for key, (s, e, _) in common.items():
+        si, ei = STR.index(s), SMO.index(e)
+        for i, c in enumerate(conds):
+            own = opt.loc[i, "best_LPIPS"]; at = G[i, si, ei]
+            loss_rows.append(dict(criterion=key, common_strength=s, common_smoothing=e, Condition=c,
+                                  prompt=opt.loc[i, "prompt"], seed=opt.loc[i, "seed"],
+                                  own_best_LPIPS=own, own_best_strength=opt.loc[i, "best_strength"],
+                                  own_best_smoothing=opt.loc[i, "best_smoothing"],
+                                  LPIPS_at_common=at, loss_vs_own_best=at - own,
+                                  loss_pct_anchor=100 * (at - own) / ANCHOR))
+    loss = pd.DataFrame(loss_rows)
+    loss.to_csv(os.path.join(TAB, "common-point-loss_%s.csv" % FAM), index=False, encoding="utf-8-sig")
+
+    # ---------- 3. reuse comparison ----------
+    cmp_rows = []
+    for key, (s, e, _) in common.items():
+        si, ei = STR.index(s), SMO.index(e)
+        for i, c in enumerate(conds):
+            at = G[i, si, ei]; r = reuse[c]
+            cmp_rows.append(dict(criterion=key, common_strength=s, common_smoothing=e, Condition=c,
+                                 prompt=opt.loc[i, "prompt"], seed=opt.loc[i, "seed"],
+                                 reuse_LPIPS=r, common_LPIPS=at, improvement=r - at,
+                                 improvement_pct_anchor=100 * (r - at) / ANCHOR,
+                                 improved=bool(at < r)))
+    # also record the restricted-median common point explicitly
+    for key, (s, e, _) in common_restricted.items():
+        si, ei = STR.index(s), SMO.index(e)
+        for i, c in enumerate(conds):
+            at = G[i, si, ei]; r = reuse[c]
+            cmp_rows.append(dict(criterion=key + "_restricted", common_strength=s, common_smoothing=e,
+                                 Condition=c, prompt=opt.loc[i, "prompt"], seed=opt.loc[i, "seed"],
+                                 reuse_LPIPS=r, common_LPIPS=at, improvement=r - at,
+                                 improvement_pct_anchor=100 * (r - at) / ANCHOR,
+                                 improved=bool(at < r)))
+    cmpdf = pd.DataFrame(cmp_rows)
+    cmpdf.to_csv(os.path.join(TAB, "reuse-comparison_%s.csv" % FAM), index=False, encoding="utf-8-sig")
+
+    stats = {}
+    for key in cmpdf.criterion.unique():
+        d = cmpdf[cmpdf.criterion == key]
+        if (d.reuse_LPIPS - d.common_LPIPS).abs().sum() == 0:
+            wstat, wp = 0.0, float("nan")
+        else:
+            w = wilcoxon(d.reuse_LPIPS, d.common_LPIPS); wstat, wp = float(w.statistic), float(w.pvalue)
+        stats[key] = dict(point=(float(d.common_strength.iloc[0]), float(d.common_smoothing.iloc[0])),
+                          median_improvement=float(d.improvement.median()),
+                          min_improvement=float(d.improvement.min()),
+                          max_improvement=float(d.improvement.max()),
+                          median_pct_anchor=float(d.improvement_pct_anchor.median()),
+                          wilcoxon_stat=wstat, wilcoxon_p=wp,
+                          n_improved=int(d.improved.sum()), n_worse=int((~d.improved).sum()),
+                          by_prompt={k: float(v) for k, v in d.groupby("prompt").improvement.median().items()},
+                          by_seed={k: float(v) for k, v in d.groupby("seed").improvement.median().items()})
+
+    # cherry-pick ceiling: per-condition best prediction cell (strength>=0.1)
+    bp_rows = []
+    for i, c in enumerate(conds):
+        sub = G[i][1:, :]
+        j = np.unravel_index(np.argmin(sub), sub.shape)
+        v = float(sub[j]); r = reuse[c]
+        bp_rows.append(dict(Condition=c, prompt=opt.loc[i, "prompt"], seed=opt.loc[i, "seed"],
+                            reuse_LPIPS=r, best_pred_strength=STR[j[0] + 1], best_pred_smoothing=SMO[j[1]],
+                            best_pred_LPIPS=v, delta_vs_reuse=r - v,
+                            delta_pct_anchor=100 * (r - v) / ANCHOR, prediction_helps=bool(v < r)))
+    bp = pd.DataFrame(bp_rows)
+    bp.to_csv(os.path.join(TAB, "best-prediction-vs-reuse_%s.csv" % FAM), index=False, encoding="utf-8-sig")
+    bp_stats = dict(median=float(bp.delta_vs_reuse.median()), min=float(bp.delta_vs_reuse.min()),
+                    max=float(bp.delta_vs_reuse.max()),
+                    median_pct_anchor=float(bp.delta_pct_anchor.median()),
+                    wilcoxon_p=float(wilcoxon(bp.reuse_LPIPS, bp.best_pred_LPIPS).pvalue),
+                    n_helps=int(bp.prediction_helps.sum()), n_hurts=int((~bp.prediction_helps).sum()),
+                    by_prompt={k: float(v) for k, v in bp.groupby("prompt").delta_vs_reuse.median().items()},
+                    by_seed={k: float(v) for k, v in bp.groupby("seed").delta_vs_reuse.median().items()})
+
+    own_stats = dict(median=float(opt.improvement_vs_reuse.median()),
+                     min=float(opt.improvement_vs_reuse.min()), max=float(opt.improvement_vs_reuse.max()),
+                     wilcoxon_p=(float(wilcoxon(opt.reuse_LPIPS, opt.best_LPIPS).pvalue)
+                                 if (opt.reuse_LPIPS - opt.best_LPIPS).abs().sum() > 0 else float("nan")),
+                     by_prompt={k: float(v) for k, v in opt.groupby("prompt").improvement_vs_reuse.median().items()},
+                     by_seed={k: float(v) for k, v in opt.groupby("seed").improvement_vs_reuse.median().items()})
+
+    # ---------- 4. unimodality ----------
+    uni_rows = []
+    for i, c in enumerate(conds):
+        lm = local_minima(grids[c])
+        # split by low-damage half of that condition's own range
+        thr = grids[c][1:, :].min() + 0.5 * (grids[c][1:, :].max() - grids[c][1:, :].min())
+        lm_low = [t for t in lm if t[2] <= thr]
+        uni_rows.append(dict(Condition=c, n_local_minima=len(lm),
+                             n_local_minima_low_damage_half=len(lm_low),
+                             minima=";".join("(%s,%s,%.4f)" % (STR[a], SMO[b], v)
+                                             for a, b, v in sorted(lm, key=lambda t: t[2]))))
+    uni = pd.DataFrame(uni_rows)
+    uni.to_csv(os.path.join(TAB, "unimodality_%s.csv" % FAM), index=False, encoding="utf-8-sig")
+    lm_med = local_minima(Gmed); lm_mean = local_minima(Gmean)
+    thr_med = Gmed[1:, :].min() + 0.5 * (Gmed[1:, :].max() - Gmed[1:, :].min())
+    lm_med_low = [t for t in lm_med if t[2] <= thr_med]
+
+    # ---------- 5. curvature around the median common optimum ----------
+    si, ei = STR.index(common["median"][0]), SMO.index(common["median"][1])
+    curv = []
+    for i, c in enumerate(conds):
+        g = G[i]; v = g[si, ei]; nb = []
+        for da, db in ((-1, 0), (1, 0), (0, -1), (0, 1)):
+            a, b = si + da, ei + db
+            if 0 <= a < 11 and 0 <= b < 11:
+                nb.append(g[a, b] - v)
+        curv.append(dict(Condition=c, LPIPS_at_common=v, max_neighbor_delta=max(nb),
+                         min_neighbor_delta=min(nb), mean_abs_neighbor_delta=float(np.mean(np.abs(nb))),
+                         range_pct_anchor=100 * (max(nb) - min(nb)) / ANCHOR))
+    curvdf = pd.DataFrame(curv)
+    curvdf.to_csv(os.path.join(TAB, "curvature-near-common_%s.csv" % FAM), index=False, encoding="utf-8-sig")
+    vmedc = Gmed[si, ei]
+    med_nb = {"s%s_e%s" % (STR[si + da], SMO[ei + db]): float(Gmed[si + da, ei + db] - vmedc)
+              for da, db in ((-1, 0), (1, 0), (0, -1), (0, 1))
+              if 0 <= si + da < 11 and 0 <= ei + db < 11}
+
+    # ---------- 6. SSIM (win11) ----------
+    ssim_rows = []
+    Gs = np.full((len(conds), 11, 11), np.nan)
+    for i, c in enumerate(conds):
+        d = df[df["Condition"] == c]
+        rs = float(d[d["strength"] == 0][SS11].iloc[0]); Gs[i, 0, :] = rs
+        for _, row in d[d["strength"] > 0].iterrows():
+            Gs[i, STR.index(round(row["strength"], 1)), SMO.index(round(row["smoothing"], 2))] = row[SS11]
+        idx = np.unravel_index(np.argmax(Gs[i]), Gs[i].shape)
+        ssim_rows.append(dict(Condition=c, ssim_peak_strength=STR[idx[0]], ssim_peak_smoothing=SMO[idx[1]],
+                              ssim_peak=Gs[i][idx],
+                              lpips_bottom_strength=opt.loc[i, "best_strength"],
+                              lpips_bottom_smoothing=opt.loc[i, "best_smoothing"],
+                              d_strength=STR[idx[0]] - opt.loc[i, "best_strength"],
+                              d_smoothing=SMO[idx[1]] - opt.loc[i, "best_smoothing"]))
+    ssdf = pd.DataFrame(ssim_rows)
+    ssdf.to_csv(os.path.join(TAB, "ssim-vs-lpips-optima_%s.csv" % FAM), index=False, encoding="utf-8-sig")
+    Gsmed = np.median(Gs, axis=0)
+    si2 = np.unravel_index(np.argmax(Gsmed), Gsmed.shape)
+    ssim_common = (STR[si2[0]], SMO[si2[1]], float(Gsmed[si2]))
+
+    # ---------- two-layer structure: EMA-wise aggregate ----------
+    ema_profile = {str(SMO[b]): float(np.median(Gmed[1:, b])) for b in range(11)}
+    str_profile = {str(STR[a]): float(np.median(Gmed[a, :])) for a in range(11)}
+
+    summary = dict(
+        family=FAM, common=common, common_restricted=common_restricted, stats=stats,
+        best_prediction_vs_reuse=bp_stats, own_best_vs_reuse=own_stats, ssim_common=ssim_common,
+        ssim_agree_exact=int(((ssdf.d_strength.abs() < 1e-9) & (ssdf.d_smoothing.abs() < 1e-9)).sum()),
+        n_local_minima_median_surface=len(lm_med), n_local_minima_mean_surface=len(lm_mean),
+        n_local_minima_median_surface_low_half=len(lm_med_low),
+        minima_median_surface=[(STR[a], SMO[b], float(v)) for a, b, v in sorted(lm_med, key=lambda t: t[2])],
+        minima_mean_surface=[(STR[a], SMO[b], float(v)) for a, b, v in sorted(lm_mean, key=lambda t: t[2])],
+        median_surface_neighbors=med_nb,
+        top5_median_cells=topk(Gmed), top5_mean_cells=topk(Gmean),
+        median_surface_reuse_row=float(Gmed[0, 0]), mean_surface_reuse_row=float(Gmean[0, 0]),
+        opt_strength=dict(min=float(opt.best_strength.min()), max=float(opt.best_strength.max()),
+                          q1=float(opt.best_strength.quantile(.25)), q3=float(opt.best_strength.quantile(.75)),
+                          median=float(opt.best_strength.median())),
+        opt_smoothing=dict(min=float(opt.best_smoothing.min()), max=float(opt.best_smoothing.max()),
+                           q1=float(opt.best_smoothing.quantile(.25)), q3=float(opt.best_smoothing.quantile(.75)),
+                           median=float(opt.best_smoothing.median())),
+        unimodal_counts={int(k): int(v) for k, v in uni.n_local_minima.value_counts().items()},
+        unimodal_counts_low_half={int(k): int(v) for k, v in uni.n_local_minima_low_damage_half.value_counts().items()},
+        loss_summary={k: dict(median=float(loss[loss.criterion == k].loss_vs_own_best.median()),
+                              max=float(loss[loss.criterion == k].loss_vs_own_best.max()),
+                              median_pct_anchor=float(loss[loss.criterion == k].loss_pct_anchor.median()),
+                              max_pct_anchor=float(loss[loss.criterion == k].loss_pct_anchor.max()))
+                      for k in ("median", "mean")},
+        reuse_stats=dict(median=float(np.median(list(reuse.values()))),
+                         min=float(min(reuse.values())), max=float(max(reuse.values()))),
+        curvature=dict(median_of_mean_abs=float(curvdf.mean_abs_neighbor_delta.median()),
+                       max_of_mean_abs=float(curvdf.mean_abs_neighbor_delta.max()),
+                       median_range_pct_anchor=float(curvdf.range_pct_anchor.median())),
+        ema_profile_median_surface=ema_profile, strength_profile_median_surface=str_profile,
+        n_conditions_reuse_unbeatable=int((opt.best_strength == 0.0).sum()))
+    ALL[FAM] = summary
+    with open(os.path.join(TAB, "summary_%s.json" % FAM), "w", encoding="utf-8") as f:
+        json.dump(summary, f, indent=2, ensure_ascii=False, default=str)
+    print("=" * 70); print(FAM)
+    print(json.dumps(summary, indent=2, ensure_ascii=False, default=str))
+    print("\n--- per-condition optima ---"); print(opt.to_string())
+    print("\n--- best prediction (str>=0.1) vs reuse ---"); print(bp.to_string())
+    print("\n--- unimodality ---"); print(uni[["Condition", "n_local_minima", "n_local_minima_low_damage_half"]].to_string())
+    print("\n--- median surface ---")
+    print(pd.DataFrame(Gmed, index=STR, columns=SMO).round(4).to_string())
+    print("\n--- SSIM vs LPIPS optima ---"); print(ssdf.to_string())
+    print("\n--- curvature ---"); print(curvdf.round(4).to_string())
+
+with open(os.path.join(TAB, "summary_ALL-families.json"), "w", encoding="utf-8") as f:
+    json.dump(ALL, f, indent=2, ensure_ascii=False, default=str)
+print("\nDONE")

analysis/stage5-families/run.log

@@ -0,0 +1,926 @@
+======================================================================
+ERSDE-Simple
+{
+  "family": "ERSDE-Simple",
+  "common": {
+    "median": [
+      0.1,
+      0.0,
+      0.313459
+    ],
+    "mean": [
+      0.0,
+      0.0,
+      0.32377713333333336
+    ]
+  },
+  "common_restricted": {
+    "median": [
+      0.1,
+      0.0,
+      0.313459
+    ],
+    "mean": [
+      0.1,
+      0.3,
+      0.3329523999999999
+    ]
+  },
+  "stats": {
+    "median": {
+      "point": [
+        0.1,
+        0.0
+      ],
+      "median_improvement": -0.004917999999999978,
+      "min_improvement": -0.08158299999999996,
+      "max_improvement": 0.012102000000000002,
+      "median_pct_anchor": -4.064462809917337,
+      "wilcoxon_stat": 37.0,
+      "wilcoxon_p": 0.207763671875,
+      "n_improved": 6,
+      "n_worse": 9,
+      "by_prompt": {
+        "Prompt001-schoolgirl": -0.0007900000000000129,
+        "Prompt002-android": -0.027158000000000015,
+        "Prompt003-woman": -0.004917999999999978,
+        "Prompt004-shop": -0.009969000000000006,
+        "Prompt005-inkwash": 0.0043330000000000035
+      },
+      "by_seed": {
+        "5193": -0.006027000000000005,
+        "6111": -0.027158000000000015,
+        "9676": 0.007409999999999972
+      }
+    },
+    "mean": {
+      "point": [
+        0.0,
+        0.0
+      ],
+      "median_improvement": 0.0,
+      "min_improvement": 0.0,
+      "max_improvement": 0.0,
+      "median_pct_anchor": 0.0,
+      "wilcoxon_stat": 0.0,
+      "wilcoxon_p": NaN,
+      "n_improved": 0,
+      "n_worse": 15,
+      "by_prompt": {
+        "Prompt001-schoolgirl": 0.0,
+        "Prompt002-android": 0.0,
+        "Prompt003-woman": 0.0,
+        "Prompt004-shop": 0.0,
+        "Prompt005-inkwash": 0.0
+      },
+      "by_seed": {
+        "5193": 0.0,
+        "6111": 0.0,
+        "9676": 0.0
+      }
+    },
+    "median_restricted": {
+      "point": [
+        0.1,
+        0.0
+      ],
+      "median_improvement": -0.004917999999999978,
+      "min_improvement": -0.08158299999999996,
+      "max_improvement": 0.012102000000000002,
+      "median_pct_anchor": -4.064462809917337,
+      "wilcoxon_stat": 37.0,
+      "wilcoxon_p": 0.207763671875,
+      "n_improved": 6,
+      "n_worse": 9,
+      "by_prompt": {
+        "Prompt001-schoolgirl": -0.0007900000000000129,
+        "Prompt002-android": -0.027158000000000015,
+        "Prompt003-woman": -0.004917999999999978,
+        "Prompt004-shop": -0.009969000000000006,
+        "Prompt005-inkwash": 0.0043330000000000035
+      },
+      "by_seed": {
+        "5193": -0.006027000000000005,
+        "6111": -0.027158000000000015,
+        "9676": 0.007409999999999972
+      }
+    },
+    "mean_restricted": {
+      "point": [
+        0.1,
+        0.3
+      ],
+      "median_improvement": 0.0006999999999999784,
+      "min_improvement": -0.09985199999999994,
+      "max_improvement": 0.01750299999999999,
+      "median_pct_anchor": 0.5785123966941971,
+      "wilcoxon_stat": 54.0,
+      "wilcoxon_p": 0.76153564453125,
+      "n_improved": 8,
+      "n_worse": 7,
+      "by_prompt": {
+        "Prompt001-schoolgirl": 0.0041200000000000125,
+        "Prompt002-android": 0.0044319999999999915,
+        "Prompt003-woman": -0.0018320000000000003,
+        "Prompt004-shop": 0.0006999999999999784,
+        "Prompt005-inkwash": 0.0023120000000000085
+      },
+      "by_seed": {
+        "5193": 0.0023120000000000085,
+        "6111": -0.023474999999999968,
+        "9676": 0.005861000000000005
+      }
+    }
+  },
+  "best_prediction_vs_reuse": {
+    "median": 0.008681999999999968,
+    "min": -0.08158299999999996,
+    "max": 0.05197499999999999,
+    "median_pct_anchor": 7.175206611570221,
+    "wilcoxon_p": 0.359130859375,
+    "n_helps": 11,
+    "n_hurts": 4,
+    "by_prompt": {
+      "Prompt001-schoolgirl": 0.008681999999999968,
+      "Prompt002-android": 0.02703099999999997,
+      "Prompt003-woman": 0.003361000000000003,
+      "Prompt004-shop": 0.010055000000000036,
+      "Prompt005-inkwash": 0.013811000000000018
+    },
+    "by_seed": {
+      "5193": 0.02154299999999998,
+      "6111": -0.023474999999999968,
+      "9676": 0.013811000000000018
+    }
+  },
+  "own_best_vs_reuse": {
+    "median": 0.008681999999999968,
+    "min": 0.0,
+    "max": 0.05197499999999999,
+    "wilcoxon_p": 0.0033456181158508813,
+    "by_prompt": {
+      "Prompt001-schoolgirl": 0.008681999999999968,
+      "Prompt002-android": 0.02703099999999997,
+      "Prompt003-woman": 0.003361000000000003,
+      "Prompt004-shop": 0.010055000000000036,
+      "Prompt005-inkwash": 0.013811000000000018
+    },
+    "by_seed": {
+      "5193": 0.02154299999999998,
+      "6111": 0.0,
+      "9676": 0.013811000000000018
+    }
+  },
+  "ssim_common": [
+    0.1,
+    0.5,
+    0.735741
+  ],
+  "ssim_agree_exact": 7,
+  "n_local_minima_median_surface": 4,
+  "n_local_minima_mean_surface": 3,
+  "n_local_minima_median_surface_low_half": 3,
+  "minima_median_surface": [
+    [
+      0.1,
+      0.0,
+      0.313459
+    ],
+    [
+      0.1,
+      0.4,
+      0.314361
+    ],
+    [
+      0.6,
+      0.4,
+      0.377386
+    ],
+    [
+      1.0,
+      0.99,
+      0.877416
+    ]
+  ],
+  "minima_mean_surface": [
+    [
+      0.1,
+      0.3,
+      0.3329523999999999
+    ],
+    [
+      0.1,
+      0.1,
+      0.3368154666666667
+    ],
+    [
+      1.0,
+      0.99,
+      0.8568986666666666
+    ]
+  ],
+  "median_surface_neighbors": {
+    "s0.0_e0.0": 0.010055000000000036,
+    "s0.2_e0.0": 0.0023900000000000032,
+    "s0.1_e0.1": 0.002817999999999987
+  },
+  "top5_median_cells": [
+    [
+      0.313459,
+      0.1,
+      0.0
+    ],
+    [
+      0.314361,
+      0.1,
+      0.4
+    ],
+    [
+      0.3145,
+      0.2,
+      0.1
+    ],
+    [
+      0.315849,
+      0.2,
+      0.0
+    ],
+    [
+      0.316277,
+      0.1,
+      0.1
+    ]
+  ],
+  "top5_mean_cells": [
+    [
+      0.32377713333333336,
+      0.0,
+      0.0
+    ],
+    [
+      0.32377713333333336,
+      0.0,
+      0.1
+    ],
+    [
+      0.32377713333333336,
+      0.0,
+      0.2
+    ],
+    [
+      0.32377713333333336,
+      0.0,
+      0.3
+    ],
+    [
+      0.32377713333333336,
+      0.0,
+      0.4
+    ]
+  ],
+  "median_surface_reuse_row": 0.323514,
+  "mean_surface_reuse_row": 0.32377713333333336,
+  "opt_strength": {
+    "min": 0.0,
+    "max": 0.8,
+    "q1": 0.05,
+    "q3": 0.2,
+    "median": 0.1
+  },
+  "opt_smoothing": {
+    "min": 0.0,
+    "max": 0.5,
+    "q1": 0.0,
+    "q3": 0.4,
+    "median": 0.1
+  },
+  "unimodal_counts": {
+    "2": 6,
+    "3": 3,
+    "6": 2,
+    "4": 2,
+    "7": 1,
+    "5": 1
+  },
+  "unimodal_counts_low_half": {
+    "2": 5,
+    "1": 4,
+    "6": 2,
+    "5": 2,
+    "3": 1,
+    "4": 1
+  },
+  "loss_summary": {
+    "median": {
+      "median": 0.020405000000000006,
+      "max": 0.10408,
+      "median_pct_anchor": 16.86363636363637,
+      "max_pct_anchor": 86.01652892561985
+    },
+    "mean": {
+      "median": 0.008681999999999968,
+      "max": 0.05197499999999999,
+      "median_pct_anchor": 7.175206611570221,
+      "max_pct_anchor": 42.95454545454545
+    }
+  },
+  "reuse_stats": {
+    "median": 0.323514,
+    "min": 0.16046,
+    "max": 0.504483
+  },
+  "curvature": {
+    "median_of_mean_abs": 0.005258000000000013,
+    "max_of_mean_abs": 0.04979300000000001,
+    "median_range_pct_anchor": 10.830578512396722
+  },
+  "ema_profile_median_surface": {
+    "0.0": 0.4102455,
+    "0.1": 0.40275099999999997,
+    "0.2": 0.39505599999999996,
+    "0.3": 0.3930055,
+    "0.4": 0.3800735,
+    "0.5": 0.3923375,
+    "0.6": 0.430079,
+    "0.7": 0.547435,
+    "0.8": 0.6677615,
+    "0.9": 0.8550845,
+    "0.99": 0.8781954999999999
+  },
+  "strength_profile_median_surface": {
+    "0.0": 0.323514,
+    "0.1": 0.318385,
+    "0.2": 0.340133,
+    "0.3": 0.37769,
+    "0.4": 0.389693,
+    "0.5": 0.405798,
+    "0.6": 0.414693,
+    "0.7": 0.423736,
+    "0.8": 0.439799,
+    "0.9": 0.461622,
+    "1.0": 0.495764
+  },
+  "n_conditions_reuse_unbeatable": 4
+}
+
+--- per-condition optima ---
+                                 Condition                prompt  seed  best_strength  best_smoothing  best_LPIPS  reuse_LPIPS  improvement_vs_reuse  improvement_pct_anchor
+0   ERSDE-Simple_Prompt001-schoolgirl-5193  Prompt001-schoolgirl  5193            0.1             0.4    0.297233     0.305915              0.008682                7.175207
+1   ERSDE-Simple_Prompt001-schoolgirl-6111  Prompt001-schoolgirl  6111            0.0             0.0    0.424783     0.424783              0.000000                0.000000
+2   ERSDE-Simple_Prompt001-schoolgirl-9676  Prompt001-schoolgirl  9676            0.6             0.4    0.377386     0.429361              0.051975               42.954545
+3      ERSDE-Simple_Prompt002-android-5193     Prompt002-android  5193            0.2             0.5    0.304188     0.331219              0.027031               22.339669
+4      ERSDE-Simple_Prompt002-android-6111     Prompt002-android  6111            0.0             0.0    0.333236     0.333236              0.000000                0.000000
+5      ERSDE-Simple_Prompt002-android-9676     Prompt002-android  9676            0.6             0.1    0.237991     0.284118              0.046127               38.121488
+6        ERSDE-Simple_Prompt003-woman-5193       Prompt003-woman  5193            0.2             0.4    0.155648     0.160460              0.004812                3.976860
+7        ERSDE-Simple_Prompt003-woman-6111       Prompt003-woman  6111            0.8             0.1    0.438640     0.439541              0.000901                0.744628
+8        ERSDE-Simple_Prompt003-woman-9676       Prompt003-woman  9676            0.1             0.0    0.194427     0.197788              0.003361                2.777686
+9         ERSDE-Simple_Prompt004-shop-5193        Prompt004-shop  5193            0.2             0.5    0.356122     0.377665              0.021543               17.804132
+10        ERSDE-Simple_Prompt004-shop-6111        Prompt004-shop  6111            0.0             0.0    0.504483     0.504483              0.000000                0.000000
+11        ERSDE-Simple_Prompt004-shop-9676        Prompt004-shop  9676            0.1             0.0    0.313459     0.323514              0.010055                8.309917
+12     ERSDE-Simple_Prompt005-inkwash-5193     Prompt005-inkwash  5193            0.2             0.5    0.186543     0.211281              0.024738               20.444628
+13     ERSDE-Simple_Prompt005-inkwash-6111     Prompt005-inkwash  6111            0.0             0.0    0.276156     0.276156              0.000000                0.000000
+14     ERSDE-Simple_Prompt005-inkwash-9676     Prompt005-inkwash  9676            0.1             0.1    0.243326     0.257137              0.013811               11.414050
+
+--- best prediction (str>=0.1) vs reuse ---
+                                 Condition                prompt  seed  reuse_LPIPS  best_pred_strength  best_pred_smoothing  best_pred_LPIPS  delta_vs_reuse  delta_pct_anchor  prediction_helps
+0   ERSDE-Simple_Prompt001-schoolgirl-5193  Prompt001-schoolgirl  5193     0.305915                 0.1                  0.4         0.297233        0.008682          7.175207              True
+1   ERSDE-Simple_Prompt001-schoolgirl-6111  Prompt001-schoolgirl  6111     0.424783                 0.1                  0.0         0.439057       -0.014274        -11.796694             False
+2   ERSDE-Simple_Prompt001-schoolgirl-9676  Prompt001-schoolgirl  9676     0.429361                 0.6                  0.4         0.377386        0.051975         42.954545              True
+3      ERSDE-Simple_Prompt002-android-5193     Prompt002-android  5193     0.331219                 0.2                  0.5         0.304188        0.027031         22.339669              True
+4      ERSDE-Simple_Prompt002-android-6111     Prompt002-android  6111     0.333236                 0.1                  0.0         0.360394       -0.027158        -22.444628             False
+5      ERSDE-Simple_Prompt002-android-9676     Prompt002-android  9676     0.284118                 0.6                  0.1         0.237991        0.046127         38.121488              True
+6        ERSDE-Simple_Prompt003-woman-5193       Prompt003-woman  5193     0.160460                 0.2                  0.4         0.155648        0.004812          3.976860              True
+7        ERSDE-Simple_Prompt003-woman-6111       Prompt003-woman  6111     0.439541                 0.8                  0.1         0.438640        0.000901          0.744628              True
+8        ERSDE-Simple_Prompt003-woman-9676       Prompt003-woman  9676     0.197788                 0.1                  0.0         0.194427        0.003361          2.777686              True
+9         ERSDE-Simple_Prompt004-shop-5193        Prompt004-shop  5193     0.377665                 0.2                  0.5         0.356122        0.021543         17.804132              True
+10        ERSDE-Simple_Prompt004-shop-6111        Prompt004-shop  6111     0.504483                 0.1                  0.0         0.586066       -0.081583        -67.423967             False
+11        ERSDE-Simple_Prompt004-shop-9676        Prompt004-shop  9676     0.323514                 0.1                  0.0         0.313459        0.010055          8.309917              True
+12     ERSDE-Simple_Prompt005-inkwash-5193     Prompt005-inkwash  5193     0.211281                 0.2                  0.5         0.186543        0.024738         20.444628              True
+13     ERSDE-Simple_Prompt005-inkwash-6111     Prompt005-inkwash  6111     0.276156                 0.1                  0.3         0.299631       -0.023475        -19.400826             False
+14     ERSDE-Simple_Prompt005-inkwash-9676     Prompt005-inkwash  9676     0.257137                 0.1                  0.1         0.243326        0.013811         11.414050              True
+
+--- unimodality ---
+                                 Condition  n_local_minima  n_local_minima_low_damage_half
+0   ERSDE-Simple_Prompt001-schoolgirl-5193               6                               6
+1   ERSDE-Simple_Prompt001-schoolgirl-6111               2                               1
+2   ERSDE-Simple_Prompt001-schoolgirl-9676               5                               5
+3      ERSDE-Simple_Prompt002-android-5193               7                               6
+4      ERSDE-Simple_Prompt002-android-6111               2                               1
+5      ERSDE-Simple_Prompt002-android-9676               3                               2
+6        ERSDE-Simple_Prompt003-woman-5193               4                               3
+7        ERSDE-Simple_Prompt003-woman-6111               4                               4
+8        ERSDE-Simple_Prompt003-woman-9676               2                               2
+9         ERSDE-Simple_Prompt004-shop-5193               6                               5
+10        ERSDE-Simple_Prompt004-shop-6111               2                               1
+11        ERSDE-Simple_Prompt004-shop-9676               3                               2
+12     ERSDE-Simple_Prompt005-inkwash-5193               2                               2
+13     ERSDE-Simple_Prompt005-inkwash-6111               2                               1
+14     ERSDE-Simple_Prompt005-inkwash-9676               3                               2
+
+--- median surface ---
+       0.00    0.10    0.20    0.30    0.40    0.50    0.60    0.70    0.80    0.90    0.99
+0.0  0.3235  0.3235  0.3235  0.3235  0.3235  0.3235  0.3235  0.3235  0.3235  0.3235  0.3235
+0.1  0.3135  0.3163  0.3184  0.3177  0.3144  0.3168  0.3202  0.3408  0.3886  0.4663  0.7025
+0.2  0.3158  0.3145  0.3206  0.3263  0.3401  0.3364  0.3809  0.4125  0.4810  0.6460  0.8170
+0.3  0.3275  0.3489  0.3619  0.3777  0.3660  0.3730  0.4051  0.4304  0.4943  0.7385  0.8565
+0.4  0.3868  0.3897  0.3891  0.3712  0.3685  0.3893  0.4099  0.4932  0.5544  0.8184  0.8759
+0.5  0.4058  0.3982  0.3929  0.3923  0.3828  0.3890  0.4158  0.5128  0.6382  0.8496  0.8836
+0.6  0.4147  0.4073  0.3972  0.3938  0.3774  0.3954  0.4444  0.5821  0.6973  0.8605  0.8852
+0.7  0.4237  0.4176  0.4062  0.4005  0.3933  0.4082  0.4829  0.6086  0.7524  0.8663  0.8828
+0.8  0.4398  0.4168  0.4044  0.4015  0.4023  0.4143  0.5106  0.6329  0.8135  0.8809  0.8805
+0.9  0.4417  0.4303  0.4150  0.4125  0.4164  0.4616  0.5524  0.6739  0.8351  0.8844  0.8790
+1.0  0.4434  0.4424  0.4236  0.4183  0.4464  0.4958  0.5848  0.7085  0.8542  0.8845  0.8774
+
+--- SSIM vs LPIPS optima ---
+                                 Condition  ssim_peak_strength  ssim_peak_smoothing  ssim_peak  lpips_bottom_strength  lpips_bottom_smoothing  d_strength  d_smoothing
+0   ERSDE-Simple_Prompt001-schoolgirl-5193                 0.1                  0.6   0.770072                    0.1                     0.4         0.0          0.2
+1   ERSDE-Simple_Prompt001-schoolgirl-6111                 0.0                  0.0   0.647326                    0.0                     0.0         0.0          0.0
+2   ERSDE-Simple_Prompt001-schoolgirl-9676                 0.6                  0.4   0.732172                    0.6                     0.4         0.0          0.0
+3      ERSDE-Simple_Prompt002-android-5193                 0.1                  0.7   0.751116                    0.2                     0.5        -0.1          0.2
+4      ERSDE-Simple_Prompt002-android-6111                 0.0                  0.0   0.733333                    0.0                     0.0         0.0          0.0
+5      ERSDE-Simple_Prompt002-android-9676                 0.6                  0.1   0.765157                    0.6                     0.1         0.0          0.0
+6        ERSDE-Simple_Prompt003-woman-5193                 0.1                  0.0   0.919054                    0.2                     0.4        -0.1         -0.4
+7        ERSDE-Simple_Prompt003-woman-6111                 0.5                  0.0   0.722273                    0.8                     0.1        -0.3         -0.1
+8        ERSDE-Simple_Prompt003-woman-9676                 0.1                  0.0   0.918260                    0.1                     0.0         0.0          0.0
+9         ERSDE-Simple_Prompt004-shop-5193                 0.2                  0.7   0.663236                    0.2                     0.5         0.0          0.2
+10        ERSDE-Simple_Prompt004-shop-6111                 0.0                  0.0   0.614867                    0.0                     0.0         0.0          0.0
+11        ERSDE-Simple_Prompt004-shop-9676                 0.0                  0.0   0.672762                    0.1                     0.0        -0.1          0.0
+12     ERSDE-Simple_Prompt005-inkwash-5193                 0.3                  0.0   0.794313                    0.2                     0.5         0.1         -0.5
+13     ERSDE-Simple_Prompt005-inkwash-6111                 0.0                  0.0   0.786036                    0.0                     0.0         0.0          0.0
+14     ERSDE-Simple_Prompt005-inkwash-9676                 0.1                  0.2   0.753666                    0.1                     0.1         0.0          0.1
+
+--- curvature ---
+                                 Condition  LPIPS_at_common  max_neighbor_delta  min_neighbor_delta  mean_abs_neighbor_delta  range_pct_anchor
+0   ERSDE-Simple_Prompt001-schoolgirl-5193           0.3067              0.0074             -0.0057                   0.0046           10.8157
+1   ERSDE-Simple_Prompt001-schoolgirl-6111           0.4391              0.0180             -0.0143                   0.0114           26.6521
+2   ERSDE-Simple_Prompt001-schoolgirl-9676           0.4220              0.0074             -0.0040                   0.0050            9.4413
+3      ERSDE-Simple_Prompt002-android-5193           0.4083             -0.0008             -0.0770                   0.0285           62.9785
+4      ERSDE-Simple_Prompt002-android-6111           0.3604              0.0389             -0.0272                   0.0222           54.6107
+5      ERSDE-Simple_Prompt002-android-9676           0.2720              0.0121             -0.0097                   0.0079           18.0000
+6        ERSDE-Simple_Prompt003-woman-5193           0.1665              0.0021             -0.0060                   0.0034            6.7058
+7        ERSDE-Simple_Prompt003-woman-6111           0.4445              0.0022             -0.0049                   0.0027            5.8702
+8        ERSDE-Simple_Prompt003-woman-9676           0.1944              0.0046              0.0019                   0.0033            2.2132
+9         ERSDE-Simple_Prompt004-shop-5193           0.3876              0.0031             -0.0100                   0.0065           10.8306
+10        ERSDE-Simple_Prompt004-shop-6111           0.5861              0.0632             -0.0816                   0.0498          119.6174
+11        ERSDE-Simple_Prompt004-shop-9676           0.3135              0.0101              0.0001                   0.0043            8.2331
+12     ERSDE-Simple_Prompt005-inkwash-5193           0.2069              0.0043             -0.0042                   0.0036            7.0331
+13     ERSDE-Simple_Prompt005-inkwash-6111           0.3075              0.0084             -0.0313                   0.0142           32.8041
+14     ERSDE-Simple_Prompt005-inkwash-9676           0.2510              0.0062             -0.0077                   0.0053           11.4140
+======================================================================
+Euler-Beta
+{
+  "family": "Euler-Beta",
+  "common": {
+    "median": [
+      0.3,
+      0.1,
+      0.250345
+    ],
+    "mean": [
+      0.6,
+      0.1,
+      0.24866366666666673
+    ]
+  },
+  "common_restricted": {
+    "median": [
+      0.3,
+      0.1,
+      0.250345
+    ],
+    "mean": [
+      0.6,
+      0.1,
+      0.24866366666666673
+    ]
+  },
+  "stats": {
+    "median": {
+      "point": [
+        0.3,
+        0.1
+      ],
+      "median_improvement": 0.027129999999999987,
+      "min_improvement": -0.036507999999999985,
+      "max_improvement": 0.07270100000000002,
+      "median_pct_anchor": 22.421487603305774,
+      "wilcoxon_stat": 18.0,
+      "wilcoxon_p": 0.01507568359375,
+      "n_improved": 13,
+      "n_worse": 2,
+      "by_prompt": {
+        "Prompt001-schoolgirl": 0.07035000000000002,
+        "Prompt002-android": 0.03243600000000002,
+        "Prompt003-woman": 0.04086600000000001,
+        "Prompt004-shop": 0.019498000000000015,
+        "Prompt005-inkwash": 0.012865999999999989
+      },
+      "by_seed": {
+        "5193": 0.014325000000000004,
+        "6111": 0.03243600000000002,
+        "9676": 0.019498000000000015
+      }
+    },
+    "mean": {
+      "point": [
+        0.6,
+        0.1
+      ],
+      "median_improvement": 0.03487100000000004,
+      "min_improvement": -0.07802999999999996,
+      "max_improvement": 0.10211100000000004,
+      "median_pct_anchor": 28.819008264462845,
+      "wilcoxon_stat": 22.0,
+      "wilcoxon_p": 0.0301513671875,
+      "n_improved": 12,
+      "n_worse": 3,
+      "by_prompt": {
+        "Prompt001-schoolgirl": 0.077036,
+        "Prompt002-android": 0.048068,
+        "Prompt003-woman": 0.063614,
+        "Prompt004-shop": 0.02020199999999997,
+        "Prompt005-inkwash": -0.023415999999999992
+      },
+      "by_seed": {
+        "5193": 0.03487100000000004,
+        "6111": 0.048068,
+        "9676": 0.004047000000000023
+      }
+    },
+    "median_restricted": {
+      "point": [
+        0.3,
+        0.1
+      ],
+      "median_improvement": 0.027129999999999987,
+      "min_improvement": -0.036507999999999985,
+      "max_improvement": 0.07270100000000002,
+      "median_pct_anchor": 22.421487603305774,
+      "wilcoxon_stat": 18.0,
+      "wilcoxon_p": 0.01507568359375,
+      "n_improved": 13,
+      "n_worse": 2,
+      "by_prompt": {
+        "Prompt001-schoolgirl": 0.07035000000000002,
+        "Prompt002-android": 0.03243600000000002,
+        "Prompt003-woman": 0.04086600000000001,
+        "Prompt004-shop": 0.019498000000000015,
+        "Prompt005-inkwash": 0.012865999999999989
+      },
+      "by_seed": {
+        "5193": 0.014325000000000004,
+        "6111": 0.03243600000000002,
+        "9676": 0.019498000000000015
+      }
+    },
+    "mean_restricted": {
+      "point": [
+        0.6,
+        0.1
+      ],
+      "median_improvement": 0.03487100000000004,
+      "min_improvement": -0.07802999999999996,
+      "max_improvement": 0.10211100000000004,
+      "median_pct_anchor": 28.819008264462845,
+      "wilcoxon_stat": 22.0,
+      "wilcoxon_p": 0.0301513671875,
+      "n_improved": 12,
+      "n_worse": 3,
+      "by_prompt": {
+        "Prompt001-schoolgirl": 0.077036,
+        "Prompt002-android": 0.048068,
+        "Prompt003-woman": 0.063614,
+        "Prompt004-shop": 0.02020199999999997,
+        "Prompt005-inkwash": -0.023415999999999992
+      },
+      "by_seed": {
+        "5193": 0.03487100000000004,
+        "6111": 0.048068,
+        "9676": 0.004047000000000023
+      }
+    }
+  },
+  "best_prediction_vs_reuse": {
+    "median": 0.042718000000000034,
+    "min": -0.003938999999999998,
+    "max": 0.15287,
+    "median_pct_anchor": 35.304132231404985,
+    "wilcoxon_p": 0.0001220703125,
+    "n_helps": 14,
+    "n_hurts": 1,
+    "by_prompt": {
+      "Prompt001-schoolgirl": 0.09323999999999999,
+      "Prompt002-android": 0.05135299999999998,
+      "Prompt003-woman": 0.06426199999999999,
+      "Prompt004-shop": 0.03190499999999999,
+      "Prompt005-inkwash": 0.012865999999999989
+    },
+    "by_seed": {
+      "5193": 0.042718000000000034,
+      "6111": 0.05135299999999998,
+      "9676": 0.019969999999999988
+    }
+  },
+  "own_best_vs_reuse": {
+    "median": 0.042718000000000034,
+    "min": 0.0,
+    "max": 0.15287,
+    "wilcoxon_p": 0.0009815397525216685,
+    "by_prompt": {
+      "Prompt001-schoolgirl": 0.09323999999999999,
+      "Prompt002-android": 0.05135299999999998,
+      "Prompt003-woman": 0.06426199999999999,
+      "Prompt004-shop": 0.03190499999999999,
+      "Prompt005-inkwash": 0.012865999999999989
+    },
+    "by_seed": {
+      "5193": 0.042718000000000034,
+      "6111": 0.05135299999999998,
+      "9676": 0.019969999999999988
+    }
+  },
+  "ssim_common": [
+    0.1,
+    0.0,
+    0.786009
+  ],
+  "ssim_agree_exact": 5,
+  "n_local_minima_median_surface": 3,
+  "n_local_minima_mean_surface": 1,
+  "n_local_minima_median_surface_low_half": 3,
+  "minima_median_surface": [
+    [
+      0.3,
+      0.1,
+      0.250345
+    ],
+    [
+      0.7,
+      0.2,
+      0.257376
+    ],
+    [
+      0.1,
+      0.5,
+      0.26926
+    ]
+  ],
+  "minima_mean_surface": [
+    [
+      0.6,
+      0.1,
+      0.24866366666666673
+    ]
+  ],
+  "median_surface_neighbors": {
+    "s0.2_e0.1": 0.007581000000000004,
+    "s0.4_e0.1": 0.006869000000000014,
+    "s0.3_e0.0": 0.007911000000000001,
+    "s0.3_e0.2": 0.004785000000000039
+  },
+  "top5_median_cells": [
+    [
+      0.250345,
+      0.3,
+      0.1
+    ],
+    [
+      0.254853,
+      0.4,
+      0.2
+    ],
+    [
+      0.25513,
+      0.3,
+      0.2
+    ],
+    [
+      0.256827,
+      0.4,
+      0.0
+    ],
+    [
+      0.257214,
+      0.4,
+      0.1
+    ]
+  ],
+  "top5_mean_cells": [
+    [
+      0.24866366666666673,
+      0.6,
+      0.1
+    ],
+    [
+      0.25032566666666667,
+      0.7,
+      0.2
+    ],
+    [
+      0.2503452666666667,
+      0.5,
+      0.1
+    ],
+    [
+      0.25062286666666667,
+      0.4,
+      0.2
+    ],
+    [
+      0.2515322,
+      0.6,
+      0.2
+    ]
+  ],
+  "median_surface_reuse_row": 0.286158,
+  "mean_surface_reuse_row": 0.2815976666666667,
+  "opt_strength": {
+    "min": 0.0,
+    "max": 1.0,
+    "q1": 0.3,
+    "q3": 0.7,
+    "median": 0.6
+  },
+  "opt_smoothing": {
+    "min": 0.0,
+    "max": 0.7,
+    "q1": 0.0,
+    "q3": 0.2,
+    "median": 0.1
+  },
+  "unimodal_counts": {
+    "3": 3,
+    "5": 3,
+    "4": 2,
+    "2": 2,
+    "1": 1,
+    "7": 1,
+    "14": 1,
+    "9": 1,
+    "10": 1
+  },
+  "unimodal_counts_low_half": {
+    "1": 4,
+    "2": 4,
+    "4": 3,
+    "3": 3,
+    "5": 1
+  },
+  "loss_summary": {
+    "median": {
+      "median": 0.02857699999999999,
+      "max": 0.101322,
+      "median_pct_anchor": 23.617355371900818,
+      "max_pct_anchor": 83.73719008264463
+    },
+    "mean": {
+      "median": 0.015450999999999993,
+      "max": 0.07802999999999996,
+      "median_pct_anchor": 12.7694214876033,
+      "max_pct_anchor": 64.4876033057851
+    }
+  },
+  "reuse_stats": {
+    "median": 0.286158,
+    "min": 0.181535,
+    "max": 0.398704
+  },
+  "curvature": {
+    "median_of_mean_abs": 0.006505250000000004,
+    "max_of_mean_abs": 0.023558499999999996,
+    "median_range_pct_anchor": 11.095041322314067
+  },
+  "ema_profile_median_surface": {
+    "0.0": 0.271027,
+    "0.1": 0.27001600000000003,
+    "0.2": 0.267112,
+    "0.3": 0.27561800000000003,
+    "0.4": 0.304351,
+    "0.5": 0.337778,
+    "0.6": 0.4256415,
+    "0.7": 0.543118,
+    "0.8": 0.7034305,
+    "0.9": 0.737447,
+    "0.99": 0.758555
+  },
+  "strength_profile_median_surface": {
+    "0.0": 0.286158,
+    "0.1": 0.270201,
+    "0.2": 0.278747,
+    "0.3": 0.292742,
+    "0.4": 0.32731,
+    "0.5": 0.334754,
+    "0.6": 0.340802,
+    "0.7": 0.368209,
+    "0.8": 0.407567,
+    "0.9": 0.406592,
+    "1.0": 0.418887
+  },
+  "n_conditions_reuse_unbeatable": 1
+}
+
+--- per-condition optima ---
+                               Condition                prompt  seed  best_strength  best_smoothing  best_LPIPS  reuse_LPIPS  improvement_vs_reuse  improvement_pct_anchor
+0   Euler-Beta_Prompt001-schoolgirl-5193  Prompt001-schoolgirl  5193            0.7             0.2    0.308964     0.343670              0.034706               28.682645
+1   Euler-Beta_Prompt001-schoolgirl-6111  Prompt001-schoolgirl  6111            0.4             0.4    0.190400     0.343270              0.152870              126.338843
+2   Euler-Beta_Prompt001-schoolgirl-9676  Prompt001-schoolgirl  9676            0.7             0.0    0.305464     0.398704              0.093240               77.057851
+3      Euler-Beta_Prompt002-android-5193     Prompt002-android  5193            1.0             0.0    0.133345     0.286158              0.152813              126.291736
+4      Euler-Beta_Prompt002-android-6111     Prompt002-android  6111            0.6             0.3    0.316939     0.368292              0.051353               42.440496
+5      Euler-Beta_Prompt002-android-9676     Prompt002-android  9676            0.1             0.7    0.345424     0.365394              0.019970               16.504132
+6        Euler-Beta_Prompt003-woman-5193       Prompt003-woman  5193            0.9             0.0    0.077788     0.181535              0.103747               85.741322
+7        Euler-Beta_Prompt003-woman-6111       Prompt003-woman  6111            0.7             0.0    0.145931     0.210193              0.064262               53.109091
+8        Euler-Beta_Prompt003-woman-9676       Prompt003-woman  9676            0.6             0.1    0.128754     0.192368              0.063614               52.573554
+9         Euler-Beta_Prompt004-shop-5193        Prompt004-shop  5193            0.7             0.2    0.257376     0.300094              0.042718               35.304132
+10        Euler-Beta_Prompt004-shop-6111        Prompt004-shop  6111            0.3             0.2    0.226953     0.258858              0.031905               26.367769
+11        Euler-Beta_Prompt004-shop-9676        Prompt004-shop  9676            0.3             0.1    0.250345     0.269843              0.019498               16.114050
+12     Euler-Beta_Prompt005-inkwash-5193     Prompt005-inkwash  5193            0.9             0.0    0.158499     0.199467              0.040968               33.857851
+13     Euler-Beta_Prompt005-inkwash-6111     Prompt005-inkwash  6111            0.3             0.1    0.279459     0.292325              0.012866               10.633058
+14     Euler-Beta_Prompt005-inkwash-9676     Prompt005-inkwash  9676            0.0             0.0    0.213794     0.213794              0.000000                0.000000
+
+--- best prediction (str>=0.1) vs reuse ---
+                               Condition                prompt  seed  reuse_LPIPS  best_pred_strength  best_pred_smoothing  best_pred_LPIPS  delta_vs_reuse  delta_pct_anchor  prediction_helps
+0   Euler-Beta_Prompt001-schoolgirl-5193  Prompt001-schoolgirl  5193     0.343670                 0.7                  0.2         0.308964        0.034706         28.682645              True
+1   Euler-Beta_Prompt001-schoolgirl-6111  Prompt001-schoolgirl  6111     0.343270                 0.4                  0.4         0.190400        0.152870        126.338843              True
+2   Euler-Beta_Prompt001-schoolgirl-9676  Prompt001-schoolgirl  9676     0.398704                 0.7                  0.0         0.305464        0.093240         77.057851              True
+3      Euler-Beta_Prompt002-android-5193     Prompt002-android  5193     0.286158                 1.0                  0.0         0.133345        0.152813        126.291736              True
+4      Euler-Beta_Prompt002-android-6111     Prompt002-android  6111     0.368292                 0.6                  0.3         0.316939        0.051353         42.440496              True
+5      Euler-Beta_Prompt002-android-9676     Prompt002-android  9676     0.365394                 0.1                  0.7         0.345424        0.019970         16.504132              True
+6        Euler-Beta_Prompt003-woman-5193       Prompt003-woman  5193     0.181535                 0.9                  0.0         0.077788        0.103747         85.741322              True
+7        Euler-Beta_Prompt003-woman-6111       Prompt003-woman  6111     0.210193                 0.7                  0.0         0.145931        0.064262         53.109091              True
+8        Euler-Beta_Prompt003-woman-9676       Prompt003-woman  9676     0.192368                 0.6                  0.1         0.128754        0.063614         52.573554              True
+9         Euler-Beta_Prompt004-shop-5193        Prompt004-shop  5193     0.300094                 0.7                  0.2         0.257376        0.042718         35.304132              True
+10        Euler-Beta_Prompt004-shop-6111        Prompt004-shop  6111     0.258858                 0.3                  0.2         0.226953        0.031905         26.367769              True
+11        Euler-Beta_Prompt004-shop-9676        Prompt004-shop  9676     0.269843                 0.3                  0.1         0.250345        0.019498         16.114050              True
+12     Euler-Beta_Prompt005-inkwash-5193     Prompt005-inkwash  5193     0.199467                 0.9                  0.0         0.158499        0.040968         33.857851              True
+13     Euler-Beta_Prompt005-inkwash-6111     Prompt005-inkwash  6111     0.292325                 0.3                  0.1         0.279459        0.012866         10.633058              True
+14     Euler-Beta_Prompt005-inkwash-9676     Prompt005-inkwash  9676     0.213794                 0.1                  0.0         0.217733       -0.003939         -3.255372             False
+
+--- unimodality ---
+                               Condition  n_local_minima  n_local_minima_low_damage_half
+0   Euler-Beta_Prompt001-schoolgirl-5193               4                               4
+1   Euler-Beta_Prompt001-schoolgirl-6111               3                               3
+2   Euler-Beta_Prompt001-schoolgirl-9676               5                               4
+3      Euler-Beta_Prompt002-android-5193               2                               1
+4      Euler-Beta_Prompt002-android-6111               3                               3
+5      Euler-Beta_Prompt002-android-9676               5                               4
+6        Euler-Beta_Prompt003-woman-5193               4                               1
+7        Euler-Beta_Prompt003-woman-6111               1                               1
+8        Euler-Beta_Prompt003-woman-9676               2                               2
+9         Euler-Beta_Prompt004-shop-5193               7                               5
+10        Euler-Beta_Prompt004-shop-6111               5                               3
+11        Euler-Beta_Prompt004-shop-9676               3                               1
+12     Euler-Beta_Prompt005-inkwash-5193              14                               2
+13     Euler-Beta_Prompt005-inkwash-6111               9                               2
+14     Euler-Beta_Prompt005-inkwash-9676              10                               2
+
+--- median surface ---
+       0.00    0.10    0.20    0.30    0.40    0.50    0.60    0.70    0.80    0.90    0.99
+0.0  0.2862  0.2862  0.2862  0.2862  0.2862  0.2862  0.2862  0.2862  0.2862  0.2862  0.2862
+0.1  0.2678  0.2700  0.2693  0.2665  0.2702  0.2693  0.2782  0.3094  0.3552  0.4561  0.6715
+0.2  0.2598  0.2579  0.2649  0.2599  0.2711  0.2787  0.3101  0.3525  0.4515  0.6777  0.7390
+0.3  0.2583  0.2503  0.2551  0.2587  0.2636  0.2927  0.3410  0.4045  0.5687  0.7148  0.7350
+0.4  0.2568  0.2572  0.2549  0.2635  0.2713  0.3273  0.3507  0.4539  0.6479  0.7409  0.7463
+0.5  0.2594  0.2700  0.2584  0.2638  0.2899  0.3348  0.4087  0.5080  0.6989  0.7336  0.7707
+0.6  0.2742  0.2652  0.2753  0.2848  0.3188  0.3408  0.4426  0.5782  0.7274  0.7340  0.7756
+0.7  0.2942  0.2898  0.2574  0.3077  0.3281  0.3682  0.4757  0.6524  0.7079  0.7409  0.7756
+0.8  0.3177  0.3112  0.2820  0.3246  0.3360  0.4076  0.5210  0.7021  0.7395  0.7439  0.7705
+0.9  0.3264  0.3172  0.3246  0.3245  0.3519  0.4066  0.5686  0.6888  0.7377  0.7436  0.7614
+1.0  0.3233  0.3277  0.3300  0.3345  0.3934  0.4189  0.6220  0.6802  0.7369  0.7576  0.7557
+
+--- SSIM vs LPIPS optima ---
+                               Condition  ssim_peak_strength  ssim_peak_smoothing  ssim_peak  lpips_bottom_strength  lpips_bottom_smoothing  d_strength  d_smoothing
+0   Euler-Beta_Prompt001-schoolgirl-5193                 0.5                  0.0   0.794703                    0.7                     0.2        -0.2         -0.2
+1   Euler-Beta_Prompt001-schoolgirl-6111                 0.4                  0.4   0.891826                    0.4                     0.4         0.0          0.0
+2   Euler-Beta_Prompt001-schoolgirl-9676                 0.4                  0.0   0.768327                    0.7                     0.0        -0.3          0.0
+3      Euler-Beta_Prompt002-android-5193                 1.0                  0.2   0.862044                    1.0                     0.0         0.0          0.2
+4      Euler-Beta_Prompt002-android-6111                 0.6                  0.3   0.623154                    0.6                     0.3         0.0          0.0
+5      Euler-Beta_Prompt002-android-9676                 0.1                  0.7   0.637746                    0.1                     0.7         0.0          0.0
+6        Euler-Beta_Prompt003-woman-5193                 0.8                  0.1   0.970607                    0.9                     0.0        -0.1          0.1
+7        Euler-Beta_Prompt003-woman-6111                 0.6                  0.2   0.951576                    0.7                     0.0        -0.1          0.2
+8        Euler-Beta_Prompt003-woman-9676                 0.7                  0.3   0.930316                    0.6                     0.1         0.1          0.2
+9         Euler-Beta_Prompt004-shop-5193                 0.4                  0.2   0.750001                    0.7                     0.2        -0.3          0.0
+10        Euler-Beta_Prompt004-shop-6111                 0.3                  0.2   0.803315                    0.3                     0.2         0.0          0.0
+11        Euler-Beta_Prompt004-shop-9676                 0.3                  0.1   0.744654                    0.3                     0.1         0.0          0.0
+12     Euler-Beta_Prompt005-inkwash-5193                 0.7                  0.1   0.874141                    0.9                     0.0        -0.2          0.1
+13     Euler-Beta_Prompt005-inkwash-6111                 0.3                  0.0   0.762206                    0.3                     0.1         0.0         -0.1
+14     Euler-Beta_Prompt005-inkwash-9676                 0.2                  0.0   0.800308                    0.0                     0.0         0.2          0.0
+
+--- curvature ---
+                               Condition  LPIPS_at_common  max_neighbor_delta  min_neighbor_delta  mean_abs_neighbor_delta  range_pct_anchor
+0   Euler-Beta_Prompt001-schoolgirl-5193           0.3428             -0.0044             -0.0091                   0.0070            3.9231
+1   Euler-Beta_Prompt001-schoolgirl-6111           0.2729              0.0460             -0.0130                   0.0236           48.7810
+2   Euler-Beta_Prompt001-schoolgirl-9676           0.3260              0.0211              0.0077                   0.0120           11.0950
+3      Euler-Beta_Prompt002-android-5193           0.2347              0.0160             -0.0190                   0.0094           28.9620
+4      Euler-Beta_Prompt002-android-6111           0.3359              0.0015             -0.0095                   0.0058            9.1430
+5      Euler-Beta_Prompt002-android-9676           0.4019              0.0032             -0.0098                   0.0043           10.7215
+6        Euler-Beta_Prompt003-woman-5193           0.1352              0.0116             -0.0130                   0.0065           20.2851
+7        Euler-Beta_Prompt003-woman-6111           0.1745              0.0120             -0.0025                   0.0053           12.0000
+8        Euler-Beta_Prompt003-woman-9676           0.1515              0.0133             -0.0164                   0.0091           24.6140
+9         Euler-Beta_Prompt004-shop-5193           0.2878              0.0279             -0.0105                   0.0158           31.8017
+10        Euler-Beta_Prompt004-shop-6111           0.2317              0.0032             -0.0048                   0.0027            6.5669
+11        Euler-Beta_Prompt004-shop-9676           0.2503              0.0079              0.0042                   0.0065            3.0314
+12     Euler-Beta_Prompt005-inkwash-5193           0.1851              0.0015             -0.0087                   0.0057            8.4041
+13     Euler-Beta_Prompt005-inkwash-6111           0.2795              0.0065              0.0029                   0.0054            3.0190
+14     Euler-Beta_Prompt005-inkwash-9676           0.2481              0.0091             -0.0242                   0.0156           27.5471
+
+DONE

analysis/stage5-families/scatter/make_scatter.py

@@ -0,0 +1,209 @@
+"""
+HareSkip Stage5-Families 散布図生成スクリプト（ERSDE-Simple / Euler-Beta）
+
+走査①の analysis-stage5-scan1/scatter/make_scatter.py と同一仕様。
+異なる点は y軸レンジのみ:
+  走査①のレンジ（LPIPS 0.255〜0.993 / SSIM-win7 0.000〜0.881）では本データがはみ出す
+  （LPIPS 最大 1.043、最小 0.078 / SSIM 最大 0.971）ため、
+  3系（ERSDE-Beta / ERSDE-Simple / Euler-Beta）を通した**全系共通の新レンジ**に統一する:
+      LPIPS-VGG   : 0.058 〜 1.063
+      SSIM (win7) : 0.000 〜 0.991
+  ※走査①の図は既存ファイル変更禁止のため再描画していない。3系を並べて見る際は
+    本スクリプトの UNIFIED_* を走査①CSVにも適用して描き直す必要がある（別途）。
+
+入力: Judge-results/Stage5-Families_20260907-235041/merged-results.csv
+出力: analysis-stage5-families/scatter/ 配下に
+  - scatter-lpips_<条件名>.png x30
+  - scatter-ssim_<条件名>.png  x30
+  - sheet-lpips_<系名>.png / sheet-ssim_<系名>.png （各5x3一覧、系ごと）
+
+再実行可能（このスクリプト自身と入力CSV以外のファイルは変更しない）。
+"""
+import re
+import pathlib
+
+import pandas as pd
+import matplotlib
+matplotlib.use("Agg")
+import matplotlib.pyplot as plt
+from matplotlib.lines import Line2D
+from matplotlib.cm import ScalarMappable
+from matplotlib.colors import Normalize
+
+BASE = pathlib.Path(__file__).resolve().parent
+CSV_PATH = BASE.parent.parent / "Judge-results" / "Stage5-Families_20260907-235041" / "merged-results.csv"
+OUT_DIR = BASE
+
+LPIPS_COL = "LPIPS - VGG"
+SSIM_COL = "SSIM - win size 7 (skimage)"
+
+LPIPS_ANCHOR = 0.121  # 参考の損傷スケールアンカー
+
+# 3系共通の統一 y 軸レンジ
+UNIFIED_LPIPS_RANGE = (0.058, 1.063)
+UNIFIED_SSIM_RANGE = (0.000, 0.991)
+
+FNAME_RE = re.compile(r"str-(\d+)_ema-(\d+)\.png")
+
+
+def parse_filename(fname):
+    if fname == "reuse.png":
+        return None, None
+    m = FNAME_RE.match(fname)
+    if not m:
+        return None, None
+    str_code, ema_code = m.group(1), m.group(2)
+    strength = int(str_code) / 10.0
+    if ema_code == "099":
+        ema = 0.99
+    else:
+        ema = int(ema_code) / 10.0
+    return strength, ema
+
+
+def ema_color(ema, ema_min=0.0, ema_max=0.99):
+    # EMA=0.0 -> 黒 #000000, EMA=0.99 -> #cccccc の線形グラデーション
+    t = (ema - ema_min) / (ema_max - ema_min)
+    g = 0x00 + t * (0xcc - 0x00)
+    v = g / 255.0
+    return (v, v, v)
+
+
+def load_data():
+    df = pd.read_csv(CSV_PATH)
+    strengths, emas = zip(*df["File name"].map(parse_filename))
+    df = df.copy()
+    df["strength"] = strengths
+    df["ema"] = emas
+    df["family"] = df["Condition"].str.split("_").str[0]
+    return df
+
+
+def plot_condition(ax, sub, value_col, y_label, y_range, ema_levels):
+    reuse_row = sub[sub["File name"] == "reuse.png"]
+    reuse_val = reuse_row[value_col].iloc[0] if len(reuse_row) else None
+
+    grid = sub[sub["File name"] != "reuse.png"]
+
+    # 同一EMA水準の点を細い同色線で結ぶ（strength昇順）
+    for ema in ema_levels:
+        line_sub = grid[grid["ema"] == ema].sort_values("strength")
+        if line_sub.empty:
+            continue
+        color = ema_color(ema)
+        ax.plot(
+            line_sub["strength"], line_sub[value_col],
+            color=color, linewidth=0.8, alpha=0.9, zorder=2,
+        )
+        ax.scatter(
+            line_sub["strength"], line_sub[value_col],
+            color=color, s=26, edgecolors="white", linewidths=0.4, zorder=3,
+        )
+
+    # Reuse基準（strength=0の実測1点）: 赤い点線の水平線＋ラベル
+    if reuse_val is not None:
+        ax.axhline(reuse_val, color="red", linestyle="--", linewidth=1.0, zorder=1)
+        ax.text(
+            0.02, reuse_val, f"Reuse={reuse_val:.3f} ",
+            color="red", fontsize=8, va="bottom", ha="left",
+            transform=ax.get_yaxis_transform(),
+        )
+
+    # LPIPS版のみ: 参考の損傷スケールアンカー
+    if value_col == LPIPS_COL:
+        ax.axhline(LPIPS_ANCHOR, color="gray", linestyle=":", linewidth=0.8, zorder=1)
+        ax.text(
+            0.02, LPIPS_ANCHOR, f"anchor={LPIPS_ANCHOR}",
+            color="gray", fontsize=7, va="bottom", ha="left",
+            transform=ax.get_yaxis_transform(),
+        )
+
+    ax.set_xlabel("prediction strength")
+    ax.set_ylabel(y_label)
+    ax.set_xlim(0.0, 1.05)
+    ax.set_xticks([i / 10 for i in range(1, 11)])
+    ax.set_ylim(*y_range)
+    ax.grid(True, linewidth=0.4, alpha=0.4)
+
+
+def add_colorbar(fig, ax, ema_min=0.0, ema_max=0.99):
+    sm = ScalarMappable(
+        cmap=matplotlib.colors.LinearSegmentedColormap.from_list(
+            "ema_gray", [(0, 0, 0), (0xcc / 255, 0xcc / 255, 0xcc / 255)]
+        ),
+        norm=Normalize(vmin=ema_min, vmax=ema_max),
+    )
+    sm.set_array([])
+    cbar = fig.colorbar(sm, ax=ax, fraction=0.05, pad=0.03)
+    cbar.set_label("EMA smoothing (0.0=black / 0.99=light gray)")
+
+
+def make_individual_plots(df, value_col, y_label, y_range, fname_prefix, ema_levels):
+    conditions = sorted(df["Condition"].unique())
+    for cond in conditions:
+        sub = df[df["Condition"] == cond]
+        fig, ax = plt.subplots(figsize=(7, 5.2))
+        plot_condition(ax, sub, value_col, y_label, y_range, ema_levels)
+        ax.set_title(cond, fontsize=10)
+        add_colorbar(fig, ax, min(ema_levels), max(ema_levels))
+        fig.tight_layout()
+        fig.savefig(OUT_DIR / f"{fname_prefix}_{cond}.png", dpi=150)
+        plt.close(fig)
+    return conditions
+
+
+def make_sheet(df, value_col, y_label, y_range, conditions, sheet_name, ema_levels, family):
+    fig, axes = plt.subplots(3, 5, figsize=(24, 13.5))
+    for ax, cond in zip(axes.flat, conditions):
+        sub = df[df["Condition"] == cond]
+        plot_condition(ax, sub, value_col, y_label, y_range, ema_levels)
+        ax.set_title(cond, fontsize=8)
+        ax.tick_params(labelsize=7)
+        ax.set_xlabel("")
+        ax.set_ylabel("")
+
+    for ax in axes.flat[len(conditions):]:
+        ax.axis("off")
+
+    fig.suptitle(f"Stage5-Families [{family}]: {y_label} vs strength (grid=EMA)", fontsize=14)
+
+    legend_handles = [
+        Line2D([0], [0], marker="o", color=ema_color(e), linestyle="-", markersize=6,
+               label=f"EMA={e:.2f}" if e != 0.99 else "EMA=0.99")
+        for e in ema_levels
+    ]
+    fig.legend(handles=legend_handles, loc="lower center", ncol=len(ema_levels), fontsize=7,
+               bbox_to_anchor=(0.5, -0.02))
+
+    fig.tight_layout(rect=[0, 0.03, 1, 0.97])
+    out_path = OUT_DIR / sheet_name
+    fig.savefig(out_path, dpi=110)
+    plt.close(fig)
+    return out_path
+
+
+def main():
+    df = load_data()
+    ema_levels = sorted(df["ema"].dropna().unique())
+
+    print(f"LPIPS observed: {df[LPIPS_COL].min():.4f} .. {df[LPIPS_COL].max():.4f}")
+    print(f"SSIM  observed: {df[SSIM_COL].min():.4f} .. {df[SSIM_COL].max():.4f}")
+    print(f"LPIPS range used (unified): {UNIFIED_LPIPS_RANGE}")
+    print(f"SSIM  range used (unified): {UNIFIED_SSIM_RANGE}")
+
+    conditions = make_individual_plots(
+        df, LPIPS_COL, "LPIPS-VGG", UNIFIED_LPIPS_RANGE, "scatter-lpips", ema_levels)
+    make_individual_plots(
+        df, SSIM_COL, "SSIM (win7)", UNIFIED_SSIM_RANGE, "scatter-ssim", ema_levels)
+
+    for family in sorted(df["family"].unique()):
+        fam_conds = [c for c in conditions if c.startswith(family + "_")]
+        p1 = make_sheet(df, LPIPS_COL, "LPIPS-VGG", UNIFIED_LPIPS_RANGE, fam_conds,
+                        f"sheet-lpips_{family}.png", ema_levels, family)
+        p2 = make_sheet(df, SSIM_COL, "SSIM (win7)", UNIFIED_SSIM_RANGE, fam_conds,
+                        f"sheet-ssim_{family}.png", ema_levels, family)
+        print(f"{family}: {len(fam_conds)} conditions -> {p1.name}, {p2.name}")
+
+
+if __name__ == "__main__":
+    main()