对抗后训练让像素扩散模型补回缺失的高频细节,DeCo 的 FID 从 33.27 降到 28.59
该研究在已收敛的像素扩散模型上保留原有扩散或流匹配目标、仅在非高噪声时间步对预测输出加入对抗损失,在 DeCo 与 PixelGen 两个像素骨干上同时改善分布保真度、覆盖度、提示对齐与感知质量,并把这一增益归因于恢复了自然图像缺失的高频功率,而相同流程在测试的潜空间扩散配置上未产生可比增益。
该研究在已收敛的像素扩散模型上保留原有扩散或流匹配目标、仅在非高噪声时间步对预测输出加入对抗损失,在 DeCo 与 PixelGen 两个像素骨干上同时改善分布保真度、覆盖度、提示对齐与感知质量,并把这一增益归因于恢复了自然图像缺失的高频功率,而相同流程在测试的潜空间扩散配置上未产生可比增益。
已读完全部报道