扩散图像生成器依赖去噪网络和数值采样器，但两者匹配度不足。采样时，去噪器在噪声输入上做下一步预测，而该输入与真实数据差距大，导致曝光偏差，使生成图像模糊、细节缺失或形状不自然。PEEK 是一种无需重新训练的确定性采样插件。对于每个满足条件的去噪步骤，PEEK 先执行一次临时的一步更新，得到前瞻状态；在该状态上再次调用去噪器，得到一次前瞻预测；随后在前瞻预测与原一步后预测之间做插值，生成下一个噪声状态。通过额外的前瞻步骤，利用信噪比更高的噪声状态得到更接近真实图像的预测，从而缓解曝光偏差。插值位置通过搜索得到，搜索过程利用前缀缓存和基线噪声调度重基准缓存提升效率。实验在8个像素空间和潜在空间的扩散模型上，涵盖无条件、标签引导和文本引导等设置，分辨率多样。PEEK 在与等效计算步数的基线相比，FID 提升最高达49.3%，额外计算开销极小，模型一次性校准最多耗时2.2分钟。项目主页：https://dachengruoque.github.io/PEEK-Video/\n\n点评：PEEK 通过一次前瞻评估和插值策略，在不增加显著计算负担的前提下，有效削弱了采样过程中的曝光偏差，为高质量扩散生成提供了实用的插件方案。