用于免训练扩散加速的 Tikhonov 稳定化 Bézier 表征预测

基于摘要分析。该研究针对图像与视频扩散模型，尤其是 Diffusion Transformers 推理时反复调用去噪器的计算开销，提出免训练加速框架 BeziCast：通过低阶 Bézier 轨迹预测靠近去噪器输出端的表征，在不重新训练生成器、不修改采样器的前提下减少计算。 机制上，作者指出现有缓存后预测方法常依赖 Taylor 式有限差分外推，较长缓存间隔下可能不稳定；预测局部模块输出还可能使误差经后续去噪模块累积。BeziCast 用 Tikhonov 稳定化拟合估计 Bézier 控制点，以平滑且容量受控的时间参数化避免显式估计高阶导数，并将轨迹容量与缓存查询密度解耦。为抑制激进外推，方法进一步推导等效预测权重，利用受凸包启发的保护机制识别高风险预测，并将其柔性拉向保守的单纯形投影估计。具体拟合目标、正则化强度、风险判据及表征位置尚未验证。 作者报告，在摘要所述图像与视频扩散模型评估中，BeziCast 对 FLUX.1 的最高加速为 4.79×，对 HunyuanVideo 的最高加速为 4.11×，且生成质量显著优于竞争加速基线。不过，摘要未提供这些最高加速对应的采样步数、缓存间隔、硬件、质量指标与具体对照，不能将其视为相同质量条件下的通用加速比；实验协议、消融及统计信息尚未验证。 复现时需核对缓存与完整去噪计算的调度、历史表征的查询方式、控制点拟合及保护机制的实现，并在一致采样与硬件条件下比较质量—延迟权衡。原论文研究对象是生成模型推理加速，不是 EEG 解码或 BCI；现有材料不足以建立直接迁移路径，已有 EEG 相关工作尚未检索确认。