Simpler Diffusion：像素空间扩散在 ImageNet512 上达到 1.5 FID

基于摘要分析。该研究面向高分辨率图像合成，检验端到端训练的像素空间扩散模型能否在生成质量与效率上与潜空间扩散模型竞争，并提出模型家族 Simpler Diffusion（SiD2）。其主要贡献是将损失加权、架构简化和计算资源分配整合为一套扩展方案，而非提出 EEG 或 BCI 方法。 方法包含三项要点：采用 sigmoid loss-weighting（Kingma & Gao, 2023）并使用作者指定的超参数；通过减少跳跃连接构建简化、节省内存的架构；扩展模型时优先以较少参数处理高分辨率图像，而非在较低分辨率上增加参数。作者进一步将这些设计与 guidance intervals 结合。具体损失表达式、超参数、架构细节及 guidance intervals 的设置尚未验证。 作者报告在 ImageNet512 图像生成评估中达到 1.5 FID，并声称在 ImageNet128、ImageNet256 和 Kinetics600 上取得新的 SOTA 结果。摘要未提供后面三项的具体指标，也未交代采样步数、评估样本量、计算预算及对照配置，因此不能据此直接确认其相对潜空间模型的质量与效率优势。实验协议、消融及统计信息尚未验证。 阅读与复现时应重点核对：三项设计各自的贡献、高分辨率处理的实际显存与计算成本，以及生成质量比较是否采用一致的评估和采样条件。该材料研究的是视觉生成，未给出与 EEG 信号结构或 BCI 任务的具体对应机制，不据此推断其具有 BCI 有效性；已有 EEG 相关工作尚未检索确认。