小波感知流匹配架构 WaiT：图像生成创 SOTA，算力直降 50%

CSProfKGD · x · 2026-08-04

论文 WaiT for the Signal 提出了一种基于小波感知的图像 Transformer（WaiT）。传统流匹配方法对所有空间频率一视同仁，而 WaiT 通过无损小波将生成过程分解为粗细频带。

其核心机制是让高频带“等待”信号：在粗粒度结构形成前保持纯噪声状态，随后再加入流匹配过程进行联合细化。实验表明，在 ImageNet 512x512 上，该方法的像素空间 FID 达到 1.43，且具有帕累托最优表现，最高可减少 50% 的采样计算量。使用 20 亿参数的最大模型时，更是创下了 1.3 的 SOTA FID 记录。此外，该架构能无缝扩展至高分辨率 OpenImages 和视频生成，在 Kinetics-600 上取得了 0.84 的 SOTA FVD。