ZigMa：DiT 风格的 Zigzag Mamba 扩散模型

基于摘要分析。该研究面向视觉数据生成中的扩散模型扩展性与 transformer 结构的二次复杂度问题，利用状态空间模型 Mamba 的长序列建模能力，提出关注空间连续性的 Zigzag Mamba 扫描方法，并将其与 Stochastic Interpolant 框架结合，探索高分辨率视觉生成的扩展性。 核心机制是视觉数据序列化时的扫描路径设计。作者认为，现有多数 Mamba 视觉方法未充分考虑扫描过程中的空间连续性，并将 Zigzag Mamba 描述为简单、即插即用、零参数的方法；这里的零参数指所提出的方法，不代表整个生成模型没有参数。摘要未提供具体扫描顺序、方向组合、模型结构、损失形式及训练和推理配置，尚不能判断各模块的独立贡献。 作者报告，Zigzag Mamba 优于 Mamba 基线，并相对 transformer 基线改善速度与内存使用，但摘要未给出生成质量指标、具体数值、硬件或计算预算。材料列出的视觉数据集包括 FacesHQ 1024×1024、UCF101、MultiModal-CelebA-HQ 和 MS COCO 256×256；这些信息不足以确认各数据集的划分及完整评估协议，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 的通道×时间表示作为结构化序列，扫描路径对邻近关系的保留可能对应跨通道与时间依赖建模问题。可复用的是扫描顺序设计思路，需要改造的是通道拓扑映射及任务接口；视觉网格邻接并不等于电极空间或功能邻接，低信噪比、跨被试差异、通道缺失与小数据可能使收益消失。一个可检验的小实验是在同一 Mamba 骨干、训练预算及固定跨被试划分下，仅改变普通扫描与基于电极邻接的 zigzag 扫描，比较同一 EEG 任务的预先指定指标、速度及峰值显存。该实验仅为迁移假设，原论文未提供 EEG/BCI 证据，已有相关工作尚未检索确认。