arXiv 2026年10月12日扩散模型训练不再依赖外部视觉编码器：复用VAE特征，SiT-XL/2的FID从17.2降到7.4CoVA把生成模型自带VAE的重建特征在线重组为语义与空间结构更强的监督信号，在ImageNet 256×256上把SiT-XL/2的FID从17.2降到7.4，且不引入外部视觉编码器。CoVA把生成模型自带VAE的重建特征在线重组为语义与空间结构更强的监督信号，在ImageNet 256×256上把SiT-XL/2的FID从17.2降到7.4，且不引入外部视觉编码器。Zhaowei Chen（第一作者）#CoVA（组合VAE表示框架）#扩散训练的表示对齐#变分自编码器#流匹配#软标签条件化