用于无数据扩散蒸馏的一致分布匹配

基于摘要分析。本文针对 diffusion 和 flow 模型因数值积分导致推理缓慢的问题，提出 Consistent Distribution Matching，以无仿真、无数据蒸馏实现单步或少步生成。主要研究对象是生成模型加速，并非 EEG 解码或 BCI 系统。 核心机制是用同一个学生网络统一样本生成与 score 估计，整个框架仅包含冻结的教师和可训练的学生，并优化一个目标。相较于摘要所述依赖整理后的蒸馏数据集、昂贵教师轨迹或辅助代理网络的方法，该设计旨在简化训练与扩展。作者报告证明了最小化该目标可导向学生 flow-map 推前分布对教师边缘分布的 Wasserstein 收敛；具体目标形式、证明假设及收敛条件尚未验证。“无仿真”如何避免教师轨迹、训练时仍需哪些教师查询，也需正文核对。 作者报告，在 ImageNet 256×256 上，该方法于 40 个训练 epoch 内取得 1-NFE 的 FID 2.04 与 4-NFE 的 FID 1.37，并在无数据条件下优于所比较的先进蒸馏基线。NFE 表示函数求值次数，这些结果衡量图像生成质量，不代表 EEG 信号保真度或 BCI 任务性能；具体基线、样本数量、计算成本、实验协议、消融及统计信息尚未验证。摘要声明代码与模型可用，实际复现条件尚未核查。 平台推测（待验证）：若已有可用的 EEG diffusion 或 flow 教师模型，该机制可能用于降低信号生成的采样开销，而不是直接改善解码。此假设依赖教师已学得可靠的信号分布；可复用蒸馏框架，但需适配时序输入、通道结构及条件信息。低信噪比、跨被试分布差异、通道变化和小数据训练可能使教师偏差被学生继承，图像 FID 不能用于验证这些风险。一个可证伪的小实验是在固定 EEG 教师与被试划分下比较原始采样器和少步学生的延迟、频谱及跨通道统计保真度，并检验下游任务是否退化。已有相关 EEG 工作尚未检索确认。