Adobe 研究:对抗训练后处理修复像素扩散模型的高频细节缺失

adobe-research · hf · 2026-09-30

Adobe Research 的这项工作是对像素扩散模型对抗后训练的首次系统研究。像素扩散直接生成 RGB 图像、免去自编码器瓶颈,但输出系统性地缺少自然图像的细尺度统计特征。方法:保留预训练模型原有的扩散/流匹配目标,仅在非高噪声时间步对预测输出加对抗损失,不改架构与采样流程。在两个像素骨干上,该方法同时提升分布保真度、覆盖率、提示对齐与感知质量。频段与幂律分析解释了原理:原模型系统性欠产高频内容,对抗后训练补回了缺失的谱功率;而感知损失虽也增加高频,却牺牲分布保真度与对齐。最近邻、recall 与对照实验排除了记忆化、模式丢弃等简单解释。此外,在 latent diffusion 配置下同样做法不产生可比收益,说明能否直接访问被校正的图像统计是成败关键。