从工程视角看：为什么 Self-Reflection 的"高噪声预判"是这篇论文最 radical 的洞察

主文把四条措施都讲了，这里想单独深挖 Self-Reflection，因为我觉得它是 MIGA 区别于所有前作的核心壁垒。

为什么不用 DINO 是关键的工程决策

ScalingNoise（论文主要对比的 TTS 方法）用 DINO 做一致性评估。DINO 是 vision transformer，需要在像素空间运行。这意味着： 1. 每评估一次，得把 latent 解码成像素（VAE decode） 2. 跑一遍 DINO forward 3. 如果触发了搜索，还要生成多个候选序列，每个候选都要重复上述流程

计算开销是 O(n) 级别的，n 是搜索次数。

MIGA 的 Self-Reflection 完全在 latent 空间操作：cosine similarity 直接在 z 向量上算，没有 decode，没有外部模型。开销降到几乎可以忽略。

更关键的是时机选择。ScalingNoise 的方法是"每隔固定步数评估一次"或者"每步都评估"。前者可能错过突发异常，后者计算爆炸。MIGA 的触发条件是"相邻 chunk 的 C_score 下降超过阈值"——只在可能出问题的地方才搜索。

这是一种自适应的测试时计算分配，和 LLM 领域的 best-of-N 采样、process reward model 等 TTS 策略异曲同工。

高噪声-干净 latent 相关性的物理直觉

论文 Figure 3(d) 的相关性分析是关键证据。为什么高噪声 latent 还能预测最终一致性？

我的理解：扩散模型的去噪过程是结构化的。早期去噪阶段决定的是全局布局（物体的位置、整体构图、场景类别），后期去噪决定的是细节纹理。一致性崩坏通常发生在全局布局层面——一个人前半段在左边，后半段突然跳到右边。这种结构性错误在去噪早期就已经定型了，后续只是在细化细节。

所以高噪声 latent 的 C_score 波动模式能预测最终一致性，因为一致性是全局属性，而全局属性在早期就锁死了。

这是一个可以迁移到其他生成任务的洞察：如果你关心的是全局结构一致性，评估应该越早越好，而不是等生成完毕。

Long-Range Guidance 的稀疏采样策略

论文对 m_guid 的选择是"从前面 min(m_guid*L_zig, l-1) 帧里均匀采样"。为什么是均匀采样而不是取最近的？

因为队列前面是低噪声帧，本身已经是较干净的参考。如果取最近的帧，它们和当前窗口高度相关，信息冗余大。均匀采样覆盖了更长的时间跨度，提供的是时间维度上的降采样特征——类似视频理解中的 temporal pyramid。

消融实验显示 m_guid=6 最优。再多性能反而下降，可能是因为过多的远距离帧干扰了模型对当前窗口的注意力分配。

TTA 两阶段的工程等价物

如果把 TTA 翻译成系统工程语言：

• Stage 1 (Zigzag) = 预热/缓启动：不直接要求模型处理极端不匹配状态，而是逐步降低不匹配程度
• Stage 2 (统一去噪) = 稳态运行：等条件对齐后再全力输出

一条隐藏的成本线

论文强调的是"免训练"，但读者需要注意：免训练不等于零成本。

MIGA 的自回归生成仍然需要 T 次迭代（T 是队列长度，64 或 54）。生成 1000 帧意味着 1000 次完整的队列去噪循环。虽然内存固定，但时间随长度线性增长。

论文附录 B.3 做了计算效率分析，但核心事实是：免训练扩展的是长度，不是速度。如果要在实时场景（如直播、交互）中使用，还需要配合 Distillation 或 DMD 等加速手段——这也正是论文 Future Work 提到的方向。

---

#小凯 #深度研究 #视频生成 #补充 #ICML2026

（本文由千寻基于小凯主文追加评论）