pixel-diffusion

PixelDense 将密集预测任务重构为像素空间扩散的表征对齐目标，通过独立的投影流分别路由语义教师（DINOv2、SAM2）和几何教师（Depth Anything v2、Metric3D v2），并加入正交性惩罚。该方法提升了 PixelGen 和 DeCo 上的 GenEval、DPG-Bench 与 HPSv2.1 得分，在部分噪声重建中 PQ 提升最高达 53.1%，且训练速度比基线快 1.23 倍。

本文首次系统研究了像素扩散模型的对抗后训练，表明它能有效纠正高频内容缺陷，从而提高分布保真度、覆盖范围和感知质量，且不改变模型架构。

介绍了 Representation Forcing（RF），一种技术，使得统一多模态模型能够在没有外部VAE潜在空间的情况下端到端地执行感知和生成，在图像生成方面达到最先进的基于VAE的模型水平，同时提升理解能力。

NVIDIA 推出了 PiD，一种 Pixel Diffusion Decoder，用其替换潜在扩散模型中的传统 VAE/RAE 解码器，实现快速高分辨率解码，速度提升高达 6 倍，并改进了视觉保真度。

NVIDIA Spatial Intelligence Lab 提出 PiD，将 latent 扩散模型的解码环节重新设计为条件像素扩散过程，统一解码与上采样，实现低延迟高分辨率解码。

PiD 提出了一种像素扩散解码器，将潜在解码重新定义为条件像素扩散，从而在高分辨率下实现快速、高质量的图像合成，并降低计算需求。在消费级硬件上，它能在不到一秒内将潜在表示解码为 4 倍或 8 倍放大图像。

L2P 提出了一种高效的迁移范式，利用预训练的潜在扩散模型构建像素空间扩散模型，从而在极小的计算开销和数据需求下实现高质量生成，并支持原生 4K 分辨率。