AnisoFlow:可学习的各向异性流模型目标,ImageNet FID 1.90降至1.55

GordonWetzstein · x · 2026-11-17

斯坦福 Gordon Wetzstein 组等的新论文 AnisoFlow 提出让流模型自行学习「方向依赖的预测目标」,而不改动架构、损失形式和采样器。核心贡献:完全可学习的各向异性目标及解释其学到了什么的理论。效果上,ImageNet FID 从 JiT 的 1.90 降至 1.55(无需 REPA),像素空间文生图消除了 patch 伪影,即使在 8-bit 下也能生成干净的图像。

原文链接 →

「多模态」频道最新

更多「多模态」频道 AI 资讯 →