阿里提出 Representation Guidance:纯 Transformer 像素扩散架构,459M 参数超越 FLUX
bdsqlsz · x · 2026-10-14
阿里巴巴联合中山大学、港大等机构发布 Representation Guidance(RG),一个端到端的像素空间扩散框架,通过紧凑的内部表征引导扩散生成,无需重型专用解码器。
- 核心洞察:表征质量好不等于生成效用高;专用像素解码器的架构分离只是重新分配语义与空间建模
- 方法:用低维瓶颈强制生成相关信息进入紧凑表征,并显式修改 flow-matching 目标来引导解码器生成,保留标准 Transformer 结构
- 成绩:ImageNet 256×256 上 FID 1.55,512×512 上 1.74,GenEval 0.89,DPG-Bench 87.1
- 仅 459M 参数的 RG-L/16 就超过大得多的像素扩散模型,RG-XL/16 支持 256 到 1024 分辨率,且计算量远低于同类方案
「多模态」频道最新
- Correction Training 让扩散模型摆脱 CFG，循环架构渐成新共识 — CSProfKGD · 2026-10-14
- FramePack-U:常量内存压缩任意长视频,VLM长视频理解提升13% — UNC-ChapelHill · 2026-10-14
- SALD:无需教师网络,扩散模型自参照优势学习框架 — IITK · 2026-10-14
- Midjourney 新图流出:暖色光阵隧道质感惊艳 — ciguleva · 2026-10-14
- H3+UVR+YuE2-3B 组合技：网友拼出全自动 AI 音乐视频流水线 — Delicious-Farmer-234 · 2026-10-14
- 恶搞 T 恤「NERDVANA」:AI 生成 Nirvana 风格极客周边设计 — Delahuntagram · 2026-10-14