# 分层表示自编码

HiRAE提出一种分层表示自编码框架，把冻结DINOv3-L编码器的全部24层按深度分成浅、中、深三组，每组学习对最深层的残差修正并用逐组范数上限约束（越浅预算越紧），在保持潜变量token数与通道维度不变的前提下联合训练融合模块与解码器，使ImageNet-256重建FID从RAEv2的0.299降至0.209、PSNR从22.667升至26.377 dB、LPIPS从0.074降至0.043，引导生成gFID从1.060降至1.038，文本到图像在GenEval、DPG-Bench、GenAI-Bench上预训练与监督微调后均优于RAEv2，微调后GenEval从84.86升至87.70。

HiRAE提出一种分层表示自编码框架，把冻结DINOv3-L编码器的全部24层按深度分成浅、中、深三组，每组学习对最深层的残差修正并用逐组范数上限约束（越浅预算越紧），在保持潜变量token数与通道维度不变的前提下联合训练融合模块与解码器，使ImageNet-256重建FID从RAEv2的0.299降至0.209、PSNR从22.667升至26.377 dB、LPIPS从0.074降至0.043，引导生成gFID从1.060降至1.038，文本到图像在GenEval、DPG-Bench、GenAI-Bench上预训练与监督微调后均优于RAEv2，微调后GenEval从84.86升至87.70。