U-Shape Mamba：用于加速扩散模型的状态空间模型

基于摘要分析。本文研究图像扩散模型的高计算成本问题，提出 U-Shape Mamba（USM），将 Mamba 层置于类似 U-Net 的层级结构中，通过编码端逐步缩短序列、解码端恢复序列来降低计算开销，保留图像生成能力。研究对象是图像合成，而非 EEG 或 BCI。 核心机制是把序列长度压缩与 Mamba 状态空间建模结合，使不同层级的计算不必始终处理完整长度的序列。摘要未说明图像序列化方式、缩短与恢复序列的具体操作、扩散训练目标及采样设置，这些细节尚未验证。 作者报告，在与 Mamba 扩散模型 Zigma 的比较中，USM 的 GFlops 为其三分之一，内存需求更低、运行更快，并取得更好的图像质量。作者报告，相对 Zigma，USM 在 AFHQ、CelebAHQ 和 COCO 上的 Frechet Inception Distance（FID，越低越好）分别改善 15.3、0.84 和 2.7 点。摘要未提供绝对 FID、数据划分、图像分辨率、模型规模、采样步数及运行硬件，因此这些数字只能作为所述比较中的结果，不能外推到其他配置；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将这一机制用于 EEG 扩散生成，假设层级序列压缩能降低长时间窗的计算成本，同时保留任务相关时序信息。可复用的是层级编码—解码与 Mamba 建模思路，需改造的是多通道输入表示、时间尺度处理及生成评估。低信噪比下，压缩可能丢失短暂神经活动；通道差异、跨被试变化与小数据训练也可能削弱收益。一个可检验的小实验是在固定 EEG 数据划分、训练预算和采样设置下，对比有无层级压缩的 Mamba 扩散实现，同时检查计算量、显存与时频统计保真度，而不预设下游解码会改善。已有 EEG 相关工作尚未检索确认。