pixel-space-diffusion

Iris-3B 是一个 3B 参数的像素空间文本到图像扩散模型，通过课程式预训练从零训练并与潜空间模型 FLUX.2 Klein 进行对比。结果显示像素空间生成先验在深度估计和图像修复任务上并无显著优势，但证明了像素空间预训练可扩展到与潜空间模型相当的画质。

Linum提出Pyramid-JiT（P-JiT）——一种仅含解码器的像素空间扩散架构，彻底摒弃VAE，并在DiT主干网络的多个分辨率层级上预测目标图像。该方法以11.3倍更少的训练样本和4.3倍更少的GPU时数（且像素数量为4倍），达到了Linum v2的FD-DINOv2得分。代码和权重以Apache 2.0协议发布，作为通向Linum v3的研究产物。

本文提出了 Persistence Forcing（PerF），该方法为像素空间 Diffusion Transformer 中的特征组分配异构的细化预算，从而产生持久的全局结构特征，用以引导活跃的细节特征。PerF-H 在 ImageNet 256x256 数据集上达到了 FID 1.63，在具备竞争力的效率下超越了 JiT-H。

PointDiT提出了一种极简的像素空间扩散变换器，使用纯ViT架构进行单目几何估计，在超越复杂基于潜空间模型的同时，在模糊区域保持简洁性和鲁棒性。