跳到正文
arXiv · 机器人与计算机视觉· Yingheng Wang, Yaoqiang Li, Yaqin Wu, Junwen Bai, Jiatao Gu, Christopher De Sa, Volodymyr Kuleshov·· 2026-10-16AI 评分53

先净化再对齐:改进扩散模型的表示对齐方法

Purify Before You Align: Improving Representation Alignment for Diffusion Models

AI 导读

针对标准表示对齐未区分有用信息的局限,本文引入局部外观净化(LAP)方法,通过移除可预测内容并对齐残差来改善生成质量。该方法仅修改对齐目标,无需改动扩散训练或推理流程。实验显示 LAP 在五种预训练表示上均提升效果,其中对 MAE 增益最大:在 ImageNet-256 上将 FID 从 53.1 降至 42.3。提出的常数读出测试可预测净化收益,相关代码与检查点已开源。

来源:arXiv · 机器人与计算机视觉 · arxiv.org