基于 Hourglass Diffusion Transformers 的可扩展高分辨率像素空间图像合成

基于摘要分析。本文研究高分辨率图像生成的计算扩展问题，提出 Hourglass Diffusion Transformer（HDiT），旨在结合卷积 U-Nets 的效率与 Transformers 的扩展能力，直接在像素空间训练扩散生成模型，而非研究 EEG 或 BCI 信号建模。 核心机制方面，作者称 HDiT 随像素数量线性扩展，支持直接在像素空间进行例如 1024 × 1024 分辨率的训练。作者报告，该模型无需通常用于高分辨率训练的多尺度架构、潜在空间自编码器或自条件机制即可成功训练。摘要未给出 Hourglass 结构、注意力实现、损失函数、噪声调度及训练配置，因此尚不能解释其线性扩展性的具体实现或核实成本收益。 结果方面，作者报告 HDiT 在 ImageNet 256² 图像生成上与现有模型具有竞争力，并称其在 FFHQ-1024² 上达到扩散模型的新最佳水平；摘要未提供具体指标、数值、对照模型或评估设置，不能据此开展定量比较。实验协议、消融及统计信息尚未验证。材料提供了 k-diffusion 代码仓库，但对应实现版本、训练配置和复现资源需求仍需核对。 平台推测（待验证）：若线性扩展机制可推广至长序列，其计算效率可能对长时程 EEG 生成建模有参考价值，但图像像素的二维邻域与 EEG 的时间—通道结构不同，且原研究依赖高分辨率图像数据与扩散训练。可能可复用的是高效 Transformer 计算模块，需改造的是输入表示、时序与通道位置编码及生成目标；低信噪比、通道异质性、跨被试差异和小数据可能使生成质量或训练稳定性下降。目前缺乏足够结构细节，不宜据摘要制定具体迁移实验；已有 EEG 相关工作尚未检索确认。