Latent Forcing：重排扩散轨迹以实现像素空间图像生成

基于摘要分析。该研究面向自然图像生成，提出 Latent Forcing，通过联合处理潜变量与像素并分别设置噪声调度，重排扩散模型的去噪轨迹，旨在直接建模原始图像的同时获得潜空间扩散的效率优势。 研究动机是：潜空间扩散虽然能够生成高质量图像，但图像编码会丢弃信息，还需要单独训练的解码器，且建模对象是辅助分布而非原始数据分布。Latent Forcing 对现有架构进行修改，使潜变量充当中间计算的“草稿空间”，在高频像素特征生成之前承担计算。这里的核心是潜变量与像素去噪进程的协调，而不是简单地将生成过程移入潜空间。 作者报告，条件信号的顺序对生成至关重要，并据此分析 REPA 蒸馏用于 tokenizer 与扩散模型时的差异，以及条件生成和无条件生成的差异。摘要未展开具体噪声调度、训练目标、潜变量构造及推理流程，这些机制细节尚未验证。 在 ImageNet 像素空间扩散实验中，作者报告：在其计算规模下，Latent Forcing 达到了基于 diffusion transformer 的像素生成新最佳水平。摘要未提供具体指标、数值、计算预算、数据划分和对照配置，因此不能据此认定其在其他计算规模或所有图像生成方法中领先。实验协议、消融及统计信息尚未验证。摘要提供了代码与检查点链接，但实现及复现条件尚未核查。 该论文的主要研究对象是自然图像，而非 EEG 或 BCI。材料未提供神经信号实验，不能将像素生成结果视为 BCI 有效性的证据；相关 EEG 工作尚未检索确认。