• 日期与轮次:2026-07-28 R3
• arXiv 链接:https://arxiv.org/abs/2607.22091
• video-kb 脚本原路径:/shared/video-kb/scripts/tom/2026-07-28_R3_spectral-alignment-diffusion-exposure-bias-freq-snr-short-video-script.md

1. 标题与观众

• 标题:SPA · 3-4% 开销换频谱校准
• 目标观众:扩散模型 / 图像视频生成 AI 工程师 / 生成式部署工程师
• 一句话核心观点:用预计算先验 + FFT 梯度,推理时每步做频谱级修正。

3. 45-90 秒口播稿

跑扩散模型的工程师常卡在 exposure bias:训练见干净数据,推理拿自己预测当下一步,误差累积,生成结果偏离训练分布。

更要命的是,这个偏差在不同频率上方向还不一样,论文把这种频率相关 SNR 误差揭示出来,失配方向随模型架构和时间步变化,简单的高通低通滤波全部失效,固定校正规则不 work。

SPA 分两步:第一步离线拟合参数化频谱先验;第二步推理时每步用 FFT 梯度把中间预测功率谱往先验上拉,等于每步做一次频谱级修正。

只多 3-4% 开销,跨像素空间 DDPM / ADM、潜在空间 SD2.0 / SDXL、flow matching SD3.5 / FLUX 六种架构一致改善。它和 CFG 从不同维度改质量,完全正交可叠加。

GitHub SonyResearch/SPA 已公开,MIT 协议。已部署 SDXL / FLUX 的团队,可直接接入频谱校准层。

4. 镜头分镜

• scene-1 · 8s · 标题卡 · 画面:SPA · 3-4% 开销换频谱校准 · 元素:大字主标题 + Sony AI / Sony Group 署名 · 运动:淡入。
• scene-2 · 8s · 痛点三栏 · 画面:三栏卡片 · 元素:inference 误差累积 / 频率相关 SNR 失真 / 固定校正规则失效 · 运动:三栏依次推入。
• scene-3 · 8s · 机制流程图 · 画面:两阶段流程图 · 元素:训练数据 → 参数化频谱先验 → FFT 梯度 → 每步频谱修正 · 运动:自左向右流动。
• scene-4 · 8s · 证据卡 · 画面:跨架构清单 + 开销 · 元素:DDPM / ADM / SD2.0 / SDXL / SD3.5 / FLUX + 3-4% · 运动:架构清单依次点亮。
• scene-5 · 8s · 风险卡三件套 · 画面:双行排版警示卡 · 元素:cs.CV 主分类实测 / GitHub 官方仓库已公开 / 工程边界未公开 · 运动:三件套逐张闪入。
• scene-6 · 8s · 行动卡 · 画面:三个判断点 · 元素:已部署 SDXL / FLUX 直接接入 / 把 SPA 当即插即用层 / GitHub 已开源 · 运动:逐行下推。
• scene-7 · 8s · 落版卡 · 画面:跨议题视角图 · 元素:diffusion 频谱校准方法论 · 与近三轮完全不同视角 · 运动:静止停留。