CoFiTok：用于像素空间扩散的从粗到细去噪 token

基于摘要分析。CoFiTok 研究像素空间扩散模型单次预测内部的去噪结构，将图像大小的噪声场组织为有序的连续 token 分量序列，使部分分量的累积能够在固定噪声状态和扩散时间下形成不同阶段的干净图像估计。其主要贡献是提供研究单次扩散预测中部分去噪过程的结构化接口，而非已验证的 EEG 或 BCI 方法。 机制上，每个 token 通过浅层、无偏置映射独立生成分量，因此零 token 严格对应零分量。训练使用前缀损失与分量损失，引导累积估计沿预设的从粗到细路径变化。作者还关联像素空间前缀误差与噪声空间误差，并在固定分量的情况下置换顺序，使完整预测保持不变，从而单独考察排序对路径的影响；具体损失形式与路径定义尚未验证。 作者报告，在八种数据集设置中，CoFiTok 均改善了路径对齐。在两个随机种子、20,000 个训练步的研究中，Tiny ImageNet 的路径 AUC 从 1.0098 降至 0.0378，ImageNet-64 HF 从 0.9984 降至 0.0379，同时终点 MSE 分别增加 3.4% 和 5.0%；摘要未明确这些比较对应的基线配置。在 ImageNet-256 上，学习到的四分量顺序在全部 24 种排列中，对两个随机种子均排名第一。作者报告消融显示前缀监督与分量监督具有互补作用，但终点表现及生成结果有好有坏，不能据路径指标改善推断整体生成质量提升。 复现需核对路径 AUC 的定义、预设粗细路径、基线与训练预算、数据划分，以及生成质量的评估协议；实验协议、消融及统计信息尚未验证。摘要未提供神经信号任务的机制验证，向 EEG/BCI 的适用性仍待评估，已有 EEG 相关工作尚未检索确认。