斯坦福新方法去掉解码器:Diffusion Transformer 直接预测像素

StanfordUniversity · hf · 2026-11-19

斯坦福大学(联合 Luma AI、加州理工)发布「Decoding Without a Decoder」:通过在微调后的 diffusion transformer 上加一个最终步预测头,直接从 DiT 输出像素,从而去掉 latent diffusion 模型中的解码器。

效果:降低推理成本的同时提升图像与视频生成的像素质量,论文配图显示在 Wan2.1 14B 视频 latent diffusion 与 T2I 像素扩散上,无解码器的 DWD 方案细节(如招牌文字)明显优于基线。

原文链接 →

「多模态」频道最新

更多「多模态」频道 AI 资讯 →