探索用于人脸变形合成的扩散自编码器设计空间

基于摘要分析。本文研究人脸变形合成中 Diffusion Morphs（DiM）需要较多网络函数评估次数（NFE）的问题，提出 Fast-DiM 流程，旨在以较低计算成本生成质量相近的变形人脸；研究对象是人脸图像生成，而非 EEG 或 BCI。 方法围绕 Probability Flow ODE 的数值求解展开：一方面考察不同 ODE 求解器对人脸变形合成的影响，另一方面通过沿时间正方向求解该 ODE，将图像编码至扩散模型的潜空间。摘要未列出具体求解器、模型结构及训练配置，因此尚不能判断收益分别来自哪些设计调整。 作者报告，在编码阶段，相较原 DiM 流程，NFE 可减少超过 85%，对应 Mated Morph Presentation Match Rate（MMPMR）降低 1.6%；在采样阶段，NFE 可减半，MMPMR 最大降低 0.23%。这些数字分别对应编码与采样环节，不宜合并为端到端加速比例；摘要未明确百分比变化是否指相对降幅或百分点，也未给出实际运行时延。MMPMR 是人脸变形呈现的匹配指标，不能等同于通用图像质量或 BCI 解码性能。 数据集、样本规模、具体对照配置、实验协议、消融及统计信息尚未验证，复现还需核对编码与采样的求解设置、NFE 计数口径和匹配评估条件。材料未提供与 EEG 信号结构或 BCI 任务的具体机制对应，因此不据此提出跨领域迁移实验；已有 EEG 相关工作尚未检索确认。