热点事件持续更新
SpeeDiff：像素锚定端到端潜在扩散模型
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月28日，arXiv cs.CV 出现 SpeeDiff 论文，提出一种可扩展的像素锚定端到端潜在扩散方案：不再分两阶段，而是从零开始联合训练 VAE 与扩散模型；针对朴素端到端实现中出现的潜在空间坍缩问题，论文用 Tweedie 像素重建（TPR）损失加以缓解。论文称，SpeeDiff-XL 在 ImageNet 256x256 无引导生成任务上 FID 达到 1.50，训练速度比 Vanilla SiT 和 REPA 分别快 140 倍和 61 倍。目前该工作仅以论文形式公开，尚无复现、第三方评测或开源实现的后续报道。
AI 根据报道生成 · 2 小时前更新
最新进展10月28日 12:00
arXiv 新论文提出 SpeeDiff，联合训练 VAE 与扩散模型，ImageNet 256 无引导 FID 1.50。报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv cs.CVSpeeDiff：可扩展的像素锚定端到端潜在扩散模型
SpeeDiff 从零联合训练 VAE 与扩散模型，并用 Tweedie 像素重建（TPR）损失缓解朴素端到端实现中的潜在空间坍缩。SpeeDiff-XL 在 ImageNet 256x256 无引导生成上 FID 达 1.50，训练速度比 Vanilla SiT 和 REPA 分别快 140x 和 61x。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。