arXiv · 机器人与计算机视觉· Hansheng Chen, Shengqu Cai, Jan Ackermann, Rayhan Zirvi, Gordon Wetzstein, Xinchen Yan, Leonidas Guibas·· 12 小时前AI 评分56
无解码器解码:从扩散 Transformer 直接预测像素
Decoding Without a Decoder: Direct Pixel Prediction from Diffusion Transformers
AI 导读
该论文介绍了一种名为 DWD 的方法,让微调后的扩散 Transformer 通过线性头直接输出最终像素,从而移除传统解码器以降低推理成本。实验显示,在 Wan 视频生成中该方法降低了 23% 的形变误差并减少闪烁;在文本到图像任务中将 ImageNet FID 从 1.55 提升至 1.43,成为像素流模型的新最先进水平。
来源:arXiv · 机器人与计算机视觉 · arxiv.org