LEAP：利用最优线性跃迁加速基于 ODE 的扩散采样

基于摘要分析。该研究针对基于 ODE 的扩散采样在粗时间离散化下性能下降的问题，提出 optimal linear leaps（LEAP）：利用采样轨迹的低维性与跨轨迹一致性，在局部轨迹子空间中求解监督最小二乘优化问题，以无需模型评估的线性跃迁近似未来状态。其主要研究对象是生成模型的采样加速，而非 EEG 解码或 BCI。 机制上，LEAP 将轨迹几何结构用于未来状态预测，并可嵌入现有基于求解器的采样方法。摘要将其置于无需训练的采样加速背景下，但同时明确采用监督最小二乘优化；监督目标如何构建、拟合发生于何时、需要多少参考轨迹，以及拟合成本如何计入总开销，尚未验证，不能据此理解为完全无需数据或拟合。 作者报告，LEAP 在文本生成图像的 Stable Diffusion 3.5、FLUX.1-dev，以及图像生成 3D 的 TRELLIS.2 上优于此前方法。摘要未提供具体指标、模型评估次数、运行时间、数据划分或基线配置，因此尚不能量化其加速幅度，也不能判断不同模态下的质量与速度权衡。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现内容与复现条件尚未核验。 平台推测（待验证）：若 EEG 生成或重建系统采用 ODE 扩散采样，LEAP 可能成为采样器层面的加速候选；但前提是相关轨迹同样具有可利用的局部低维性与跨轨迹一致性。低信噪比、跨被试差异及通道配置变化是否破坏这些条件尚不明确，不能将图像与 3D 生成结果视为 EEG 或 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。