pixel-space

本文介绍了合成自引导（Synthetic Self-Guidance, SSG）方法，该方法将一个轻量级预测头附加到冻结的预训练像素空间扩散模型上，在采样过程中利用中间预测与最终预测之间的差异作为自引导。研究表明，模型生成的样本足以训练这个预测头，在无需分类器自由引导（CFG）的情况下，多个变体的FID降低了50%以上，并且增强了使用CFG的强基线。

本文探讨了在像素空间扩散变换器（DiTs）中使用寄存器令牌的情况，发现尽管DiTs没有补丁令牌异常值，但寄存器令牌仍能提高特征图质量。作者提出了寄存器引导（Register Guidance）技术，用于放大寄存器贡献，以改善视觉结构。

PixWorld提出了一种统一的像素空间扩散方法，用于3D场景重建与生成，通过直接的图像级监督和几何感知特征对齐，克服了潜在空间方法的局限性。该方法优于先前的生成方法，并达到了与最先进的重建方法相当的性能。

Parallel Rollout Approximation (PRA) 通过使用低维中间状态和并行训练改进了像素空间自回归图像生成，在ImageNet-1K生成任务上取得了新的最先进结果。

一种名为频谱强制（Spectral Forcing）的新技术，将时间条件化的二维离散余弦变换（2D-DCT）低通算子应用于像素空间扩散模型，通过显式分离信号与噪声提升效率，在ImageNet及文生图任务上超越基线方法。

AsymFlow是斯坦福大学提出的一种新方法，它将潜在扩散模型转换为像素空间，通过避免压缩带来的信息损失，生成更逼真的图像。在基准测试中，它以更低的计算成本超越了FLUX.2 klein。

非对称流建模（AsymFlow）将噪声预测限制在低秩子空间，以实现高效的高维流生成，通过从潜在流模型微调，在ImageNet和文本到图像任务上取得了最先进的结果。

L2P 论文提出了一种潜在空间到像素空间（Latent-to-Pixel）的迁移范式，该范式利用预训练的潜在扩散模型（LDM），以极低的训练开销构建高效的像素空间模型，并实现 4K 分辨率生成。