WF-VAE：通过小波驱动的能量流增强潜在视频扩散模型的视频 VAE

基于摘要分析。该研究面向潜在视频扩散模型（LVDMs）中视频 VAE 的编码成本，以及长视频分块推理可能引起的潜在空间不连续问题，提出 Wavelet Flow VAE（WF-VAE），利用多级小波变换促进低频能量进入潜在表示，并通过 Causal Cache 维持分块推理时潜在空间的完整性。 核心机制是将视频分解为不同频率分量，再高效编码关键信息；其原始目标是视频压缩与重建，而非神经信号解码。摘要未说明小波基、频率分量的具体融合方式、损失函数或 Causal Cache 的缓存内容与更新规则，这些实现细节尚未验证。 作者报告，相较其评估中的先进视频 VAE，WF-VAE 在 PSNR 和 LPIPS 上表现更优，吞吐量达到对照的 2 倍，内存消耗约为对照的四分之一，并保持有竞争力的重建质量。上述结果属于视频 VAE 比较；摘要未提供数据集、视频分辨率与时长、硬件、具体对照名称或指标数值，不能据此判断不同运行条件下收益是否一致。实验协议、消融及统计信息尚未验证。摘要提供了代码与模型地址，但实现及运行条件尚未核验。 平台推测（待验证）：小波多尺度分解可能为长时 EEG 的压缩表示提供可复用思路，但视频空间结构与 EEG 通道结构不同，且 EEG 的任务相关信息未必集中于低频；低频偏重可能保留漂移、削弱短暂 ERP 或高频信息。迁移需改造通道表示与频带融合，并核对 Causal Cache 是否适用于连续神经信号。一个可证伪的小实验是在同一 EEG 数据划分和编码预算下，对比普通自编码器与小波编码版本，分别评估重建误差、频带信息保真及固定下游任务性能，检查分块边界是否引入失真；这只是迁移假设，已有 EEG 相关工作尚未检索确认。