跳到正文
arXiv · 机器人与计算机视觉· Xichen Pan, Aashu Singh, Satya Narayan Shukla, Xiangjun Fan, Shlok Kumar Mishra, Saining Xie·· 8 天前AI 评分35

RepFusion:利用多模态先验在表征空间去噪的视觉生成方法

RepFusion: Leveraging Multimodal Priors for Denoising in Representation Space

AI 导读

RepFusion 复用多模态大模型(MLLM)输出作为扩散 Transformer 的条件信号,在相似推理预算下优于训练新去噪器的基线。该方法将 MLLM 从文本编码扩展至噪声输入,利用其表征自编码器特性加速推理并保留性能。该工作为 NeurIPS 2026 预印本,代码与论文托管于 arXiv (arXiv:2606.14700)。

来源:arXiv · 机器人与计算机视觉 · arxiv.org