SNED：面向高效视频扩散模型的叠加网络架构搜索

基于摘要分析。本文研究视频扩散模型训练与推理计算需求较高的问题，提出 SNED（Superposition Network Architecture Search），通过权重共享的超网训练支持多种模型成本和生成分辨率配置，目标是在不同资源预算下维持视频生成质量。 核心机制是将不同模型配置纳入共享权重的超网训练，并引入超网训练采样预热（supernet training sampling warm-up）以加快训练优化。摘要未说明具体搜索空间、配置采样策略、预热调度、搜索准则及子网选择流程，因此尚不能判断各模块对效率和生成质量的独立贡献。 作者报告，在像素空间与潜在空间视频扩散模型上开展了实验，不同模型配置能够以较高效率获得可比的生成结果。其中，像素空间视频扩散模型实验覆盖 64×64 至 256×256 分辨率，以及 640M 至 1.6B 参数量范围；作者报告这些配置能够获得一致的视频生成结果。摘要未给出具体质量指标、比较基线、训练成本或推理延迟，不能将上述表述解释为已量化的加速或质量提升。数据集、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的候选机制是以权重共享方式探索不同计算预算的模型，而非视频生成结果本身。若用于 EEG 模型压缩，需要将搜索空间与训练目标改为适配多通道时序信号和目标任务，并核对共享权重下的配置排序能否反映独立训练性能；低信噪比、跨被试差异及小数据条件可能使这一排序不稳定。一个可检验的小实验是在固定 EEG 数据划分和训练预算下，对比超网选出的少量配置与相同配置独立训练的任务性能、参数量及推理延迟。该假设不代表已证实的 BCI 效果，相关 EEG 工作尚未检索确认。