通过数据空间迭代实现少步生成

基于摘要分析。本文研究 flow matching 生成模型在少步采样时对手工时间离散化方案的依赖，提出 data-space iteration：从噪声出发，由共享生成器直接在数据空间反复细化预测，而非沿离散化的概率流推进。 核心机制是让每次迭代都以生成模型容量所允许的最佳样本为训练目标，从而不再显式选择概率流的时间离散化方案。该表述不等于已验证模型能够自适应分配迭代次数或进行空间位置级计算调度；摘要仅将样本与空间位置间的细化难度差异列为现有固定离散化的潜在限制。作者表示，该框架只需少量修改即可整合到 distribution matching distillation（DMD），便于在匹配训练设置下比较不同迭代方式；具体损失与迭代输入形式尚未验证。 作者报告，在类别条件 ImageNet 256×256 生成任务上，data-space iteration 优于标准离散化基线，并达到或超过经调度搜索选出的变体，且不需要针对特定调度重新训练。摘要未提供具体指标、性能数值、迭代次数或网络评估次数，因此尚不能量化质量收益、采样成本及搜索成本之间的权衡。 论文的主要研究对象是图像生成，而非 EEG 或 BCI；摘要未提供神经信号任务或可直接核验的迁移证据，不据此推断 BCI 有效性。完整实验协议、对照实现、消融及统计信息尚未验证，代码与复现所需训练资源也需查阅全文确认。