HiT 免编码器端到端训练:算力省 2.4 倍,FID 1.48 刷新 ImageNet

CatAstro_Piyush · x · 2026-11-19

HiT 是一个直接从像素端到端训练的图像生成器,不依赖单独训练的 encoder,能自行学习抽象层级,动态跨层级分组 patch,在无 mask、无区域标注的情况下涌现出语义结构。演示视频中,背景会塌缩为少数几组,主体获得大量分组,文字会点亮其指代的区域。

性能方面:ImageNet 256 上 FID 达 1.48;同等质量下训练算力比 JiT-H/16 少 2.4 倍;在文本生成图像基准上平均超过参数量 6 倍的模型。已放出网站、论文与代码。

原文链接 →

「多模态」频道最新

更多「多模态」频道 AI 资讯 →