DART：面向少步视频扩散模型免训练 LoRA 复用的蒸馏感知重参数化

步数蒸馏降低了视频生成成本，但复用为更长轨迹训练的 LoRA 可能改变其功能效果，或降低目标质量。静态参数兼容性为这一问题提供了一个视角；我们的观察表明，在缩短的去噪调度下，相似的测量几何结构可能与不同的适配器行为共存。我们提出 DART，这是一种免训练方法，通过结合低秩坐标传输与目标调度响应校准来解决这一问题；该方法仅使用前向评估，不需要源训练视频。在四步 Wan2.2 目标模型上，DART-F 将联合质量分数从 0.9029 提升至 0.9227，并将宏观功能保留度从 -0.4644 提升至 +0.1349。组件分析表明，校准贡献了大部分质量提升，而坐标传输与校准结合时可带来互补增益。适配器级结果显示，部分适配器具有正向功能效果，而另一些适配器则表现出较强衰减，同时负向功能效果有所减弱。在另外两个目标模型上的评估显示出相同的总体趋势。这些结果表明，应当从功能保留与负迁移规避两个方面联合评估蒸馏模型中的 LoRA 复用，而不应假设每个适配器都能实现效果恢复。