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。
「多模态」频道最新
- 设计师 evilrabbit 用 AI 生成古罗马皇帝风格大理石胸像 — evilrabbit_ · 2026-11-17
- MiniMax-H3 视频转视频大师课发布:覆盖八大 ComfyUI 工作流 — No-Property3068 · 2026-11-17
- MiniMax-H3 视频转视频大师课发布:覆盖八大 ComfyUI 工作流 — No-Property3068 · 2026-11-17
- AI 生成「憨豆版 007」海报爆火,Rowan Atkinson 演邦德引调侃 — bradneuberg · 2026-11-17
- 用 sprite stacking 让像素画任意角度旋转,实测好用 — jnack · 2026-11-17
- 包豪斯风斯巴达战士肖像,AI 绘图风格实测吸睛 — LudovicCreator · 2026-11-17