尺度空间扩散

基于摘要分析。本文研究图像扩散模型在高噪声阶段是否仍需以全分辨率处理图像，并提出 Scale Space Diffusion，将尺度空间中的降采样退化融入扩散过程；同时引入 Flexi-UNet，以支持不同分辨率下的去噪计算。 核心机制是联系两种信息层级：扩散模型通过噪声逐步破坏图像信息，尺度空间理论则通过低通滤波形成由细到粗的表示。作者报告，其形式化分析表明，高噪声扩散状态所含信息不多于小尺寸降采样图像。基于这一联系，作者构建采用广义线性退化的一族扩散模型，并以降采样退化得到 Scale Space Diffusion。Flexi-UNet 是配套的 UNet 变体，可仅使用所需网络部分，执行分辨率保持或分辨率提升的去噪。具体退化算子、噪声调度、训练目标及网络启用规则尚未验证。 作者报告在 CelebA 与 ImageNet 上评估框架，并分析其随图像分辨率和网络深度变化的扩展行为；摘要未给出具体划分、对照基线、生成质量或计算开销数值，因此不能确认其相对标准扩散模型的收益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若高噪声阶段可采用更粗尺度表示这一机制适用于 EEG 生成，可能减少长时间序列扩散模型的计算开销。该假设依赖信号在不同噪声与采样尺度下的信息分布；可复用的是尺度相关退化与按需计算思路，需改造时间轴降采样、抗混叠滤波及通道结构处理。风险是低信噪比和小数据条件下，降采样可能丢失短暂 ERP 成分或任务相关高频信息。一个可证伪的小实验是在固定 EEG 数据划分及训练预算下，对比全分辨率扩散与仅高噪声阶段降采样的版本，同时检查计算开销、频谱及任务相关成分保真度。原文研究对象仍是图像生成，已有 EEG 相关工作尚未检索确认。