分阶段一致性模型（Phased Consistency Model）

基于摘要分析。本文研究一致性模型（CM）在潜空间高分辨率文本条件图像生成中的加速问题，针对潜空间一致性模型（LCM）的设计局限提出 Phased Consistency Model（PCM）。主要贡献是扩展一致性模型的设计空间，面向多步细化改善少步生成，并将方法应用于文本到视频生成。 方法方面，作者称识别了当前 LCM 设计中的三项关键缺陷，分析其原因，并通过 PCM 处理这些局限。不过，摘要未列出三项缺陷，也未给出分阶段机制、训练目标、阶段衔接或推理更新方式，因此尚不能判断其具体创新与复现条件。材料虽来自 State space models 栏目，但摘要讨论的是扩散生成与一致性模型，不能据此将 PCM 归为状态空间模型。 结果方面，作者报告，在 1–16 步生成设置下，PCM 显著优于 LCM；尽管主要面向多步细化设计，其单步生成结果仍优于或接近此前专门设计的先进单步方法。作者还报告，该方法适用于视频生成，并称训练出了达到当时最先进水平的少步文本到视频生成器。摘要未提供数据集、评价指标、数值、具体对照方法或统计检验，以上结论只能保留为作者报告，不能量化优势或跨协议比较。 实验协议、消融及统计信息尚未验证；复现前需核对全文中的训练配置、评估设置及实现可用性。本文的主要研究对象是图像与视频生成，材料未提供 EEG 或 BCI 验证，也不足以建立具体迁移机制，因此不将其生成性能结论视为 BCI 有效性的证据。已有 EEG 相关工作尚未检索确认。