像素扩散不再靠注意力混合：Volterra 层在 ImageNet 各尺度上把 FID 压过 JiT
像素空间扩散模型此前沿用从序列建模继承来的 softmax 注意力做 token 混合，而高斯噪声下的最优去噪器本可用观测的多项式泛函展开。PoD 把每个图像块压进低维瓶颈，再用级联的低秩 Volterra 层同时完成 token 混合与通道混合，残差路径上不放激活函数。在 ImageNet 上参数与 FLOPs 对齐时，PoD 在每个尺度上的 FID 都优于 JiT，最大差距出现在 G 尺度。