SWIFT：弱去噪器引导的扩散训练

基于摘要分析。SWIFT 面向扩散模型训练成本高、推理时引导增加采样开销的问题，利用冻结的弱去噪器调整强模型的训练目标，在不改变原有采样器的情况下改善生成质量。 核心机制是：对每个带噪输入，将干净回归目标沿远离弱去噪器预测的方向外推，以强化仍未充分拟合的成分。弱引导器可取自训练早期检查点，在主模型训练期间不参与反向传播，训练结束后被丢弃。作者称，该方法支持条件与无条件生成，无须标签丢弃或额外的无条件分支，也不增加推理开销；这不意味着训练阶段没有额外成本。 理论上，作者通过再生核希尔伯特空间（RKHS）中有限时间总体梯度流的谱分析解释机制。作者证明，在采用早停弱引导器的特定分析条件下，存在非空的外推强度区间，使其后验均值误差严格低于匹配的标准训练，即使外推后的回归目标偏离了后验均值。该结论的适用假设与真实扩散网络之间的对应仍需正文核对。 实验覆盖 CIFAR-10 与 ImageNet-256，作者报告在不同模型规模及表示形式下均有改善。在一个 ImageNet-256 配置中，作者报告使用约一半总训练计算量即可超过基线最佳 FID，计算量包含引导器准备与训练额外开销。在 RAEv2 上，作者报告无推理时引导的 FID 为 1.15，使用引导时为 0.99；摘要未明确后两项结果的完整数据与评估配置，不能据此与其他协议直接比较。 复现需核对弱检查点选择、外推强度、训练预算匹配方式、采样及 FID 计算协议。实验协议、消融及统计信息尚未验证。本文主要研究图像扩散生成，摘要未提供 EEG 或 BCI 验证；已有 EEG 相关工作尚未检索确认，不能将图像生成收益视为神经信号建模收益。