arXiv cs.CV· Yingheng Wang, Yaoqiang Li, Yaqin Wu, Junwen Bai, Jiatao Gu, Christopher De Sa, Volodymyr Kuleshov·· 3 小时前AI 评分39
Purify Before You Align：LAP 改进扩散模型的表示对齐
Purify Before You Align: Improving Representation Alignment for Diffusion Models
AI 导读
提出局部外观净化（LAP），通过移除局部可预测内容并对齐残差，提升扩散模型的表示对齐与生成质量，无需改动扩散训练或推理。在 ImageNet-256 上，SiT-B/2 搭配 MAE 使 FID 从 53.1 降至 42.3；MAE、AIMv2、CLIP、DINOv2、DINOv3 五种预训练表示均有提升，MAE 增益最大。
来源：arXiv cs.CV · arxiv.org