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。
「多模态」频道最新
- 清华等发布 ALIVE:让流式视频模型学会主动监控与寻求反馈 — Tsinghua · 2026-11-19
- 斯坦福 AnisoFlow:为流模型学各向异性预测目标,不改架构提升 FID — StanfordUniversity · 2026-11-19
- 绕过 PyTorch 直写 HIP 核:MiniMax H3 在 AMD R9700 上提速近 3 倍 — Apprehensive_Sky892 · 2026-11-19
- 用户实测 Thinking Machines 模型设计活体菌落图像 — simonguozirui · 2026-11-19
- 一句话提示词让 Grok bot 自动产出 4 分钟完整视频 — songguoxiansen · 2026-11-19
- ComfyUI 求助:Q 版短腿角色的 OpenPose 骨架怎么调比例 — Any_Aardvark_9324 · 2026-11-19