CINDI：用于高效像素空间生成的由粗到细隐式神经扩散

基于摘要分析。CINDI 针对像素空间扩散与流模型在每个去噪步骤都使用完整图像分辨率所带来的计算开销，提出沿采样轨迹逐步提高空间分辨率的生成方法，使早期函数求值在较粗网格上进行，再逐步生成细节。 核心机制是端到端的 implicit transformer 去噪器，通过 next-scale bridge loss 支持同尺度及跨尺度预测，并配合由粗到细的采样器。该方案不依赖多个模型级联或潜在空间压缩；其关键研究问题是能否利用早期主要形成粗结构这一特点，减少高分辨率计算，同时保持最终生成质量。摘要未给出损失公式、分辨率调度规则或跨尺度预测的具体实现。 作者以在 ImageNet 上达到先进水平的单尺度 JiT 为基线；在模型规模、训练轮数与采样步数匹配的条件下，作者报告 CINDI 获得具有竞争力的 FID，并实现最高 3 倍的推理吞吐量提升。摘要未提供具体 FID、对应分辨率、硬件或吞吐量测量设置，因此不能将该加速幅度外推至其他部署条件。作者还报告，借助多尺度预测能力，模型无需额外微调即可生成超出训练分辨率的图像，但具体分辨率及质量变化尚未验证。 该研究的主要对象是图像像素空间生成，而非 EEG 或 BCI。实验协议、消融及统计信息尚未验证；复现时需核对 next-scale bridge loss、尺度调度、训练与推理配置，以及超训练分辨率生成的评估条件。当前材料不足以建立其对 EEG/BCI 的具体迁移收益，已有 EEG 相关工作尚未检索确认。