斯坦福 LILIE:语言监督的无损图像编码器，T2I 的 gFD 提升 14 点

jcniebles · x · 2026-10-20

斯坦福团队提出 LILIE（Language-Informed and Lossless Image Encoder），一种用语言监督训练的可逆无损图像编码器。核心思路：像素损失对所有像素一视同仁，但不同像素对图像语义的贡献并不均等；LILIE 用 normalizing flow transformer 与视觉语言模型联合训练，构建一个语言可知的损失空间来替代/补充像素损失监督端到端视觉生成。实验显示，在 GPIC 数据集上，仅用 LILIE 损失训练的 JiT 模型比像素空间基线 gFD 从 66.84 降到 53.01（提升 14 点）；两者结合还能进一步改善。作者为 Suchir Agarwal 等，含李飞飞、Jiajun Wu。