HiT 图像生成模型:从像素端到端学出抽象层级,ImageNet 256 FID 达 1.48
LucaAmb · x · 2026-11-19
研究团队发布 HiT(Hierarchy Transformer)图像生成模型,无需单独训练的编码器,从像素端到端训练即可学会自己的抽象层级。
- 动态地在多个层级对 patch 分组,无需掩码或区域标注即涌现出语义结构:背景折叠成少数大组,主体获得更多分组,文本词元能点亮其指代的区域。
- 成绩:ImageNet 256 上 FID 1.48;同等质量下训练计算量比 JiT-H/16 少 2.4 倍;在文生图基准上平均胜过参数量多 6 倍的模型。
- 网站、论文与代码已开放,thread 中附原理详解。
「多模态」频道最新
- osmo 更名应用型 AI 实验室,发布 Slack 内全栈视频 agent Posty — yawnxyz · 2026-11-19
- MOSS-Image-Base 实测:路牌便签类小字场景文本渲染到位 — Impressive-Kick293 · 2026-11-19
- 开发者借 Claude 在 16GB M1 Mac 上把 MiniMax H3 视频生成提速近一倍 — Lokoto123 · 2026-11-19
- Dreamina黑五推不限量生成:Seedance 2.5可用30天,积分低至1.7折 — FellMentKE · 2026-11-19
- 开发者用 Gemini 4 + Antigravity 打造音乐交互 demo 并发布教程 — alexanderchen · 2026-11-19
- fal 与 Speri Labs 合作后训练 Idol 模型,邀用户上手开发 — OdinLovis · 2026-11-19