Sig-DEG：让扩散模型更快更轻的蒸馏方法

Sig-DEG（Signature-based Differential Equation Generator）通过结合部分签名与循环结构来近似随机微分方程解，将预训练扩散模型的蒸馏建模为监督学习，在粗时间网格上匹配教师模型的精细轨迹。在图像和时间序列生成任务中，该方法实现了与教师模型相当的样本质量，推理速度提升最高达数百倍。