UltraDiff：将高保真先验迁移至压缩潜空间以实现高分辨率图像生成

基于摘要分析。UltraDiff 研究高分辨率图像生成中 Latent Diffusion Models（LDMs）的计算成本与生成保真度权衡，提出先联合学习不同压缩率的潜空间分布，再通过边缘分数蒸馏，将高保真先验迁移至高压缩潜空间。其主要研究对象是图像生成，而非 EEG 或 BCI。 方法以压缩因子 f 区分潜空间：相较于 f8，f32 可降低计算成本，但存在更严重的信息损失与生成歧义。作者提出双分支 DiT 教师 MixTeacher，建模 f8–f32 联合分布，通过共享注意力利用 f8 先验缓解 f32 空间的歧义；随后在原生 f32 空间进行向量场蒸馏。作者从理论上主张，该过程使学生学习教师轨迹的条件期望，从而过滤压缩伪影。具体损失形式、理论成立条件与训练配置尚未验证。 作者报告，在所评估的 1K 至 4K 图像生成设置中，UltraDiff 接近 f8 模型的画质，同时保留 f32 的效率；在单张 A100 GPU、20 个采样步条件下，生成一张 2K 图像耗时 6.2 秒，较作者的 f8 基线快 40 倍以上。摘要未提供画质指标、评估数据集及完整基线配置，不能据此判断不同设置下的画质等效性或普遍加速幅度；实验协议、消融及统计信息尚未验证。 该机制依赖不同压缩率潜表示之间的联合学习与教师先验。摘要尚未建立其与 EEG 低信噪比、跨被试差异或小样本学习之间的具体对应关系，因此不据此推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。复现图像生成结果需进一步核对潜空间编码方式、教师与学生训练流程、蒸馏成本，以及画质和计时的统一评估条件。