PixNerd：像素神经场扩散
计算机视觉与模式识别
2025-08-05 v2
摘要
当前扩散 Transformer 的成功在很大程度上依赖于预训练变分自编码器（VAE）所塑造的压缩潜在空间。然而，这种两阶段训练范式不可避免地引入了累积误差和解码伪影。为了解决上述问题，研究人员以复杂的级联流水线和增加的 token 复杂度为代价，重新回到像素空间。与他们的努力不同，我们提出使用神经场对分块解码进行建模，并提出了一种单尺度、单阶段、高效的端到端解决方案，称为像素神经场扩散（PixelNerd）。得益于 PixNerd 中高效的神经场表示，我们在无需任何复杂级联流水线或 VAE 的情况下，直接在 ImageNet 上取得了 2.15 的 FID，在 ImageNet 上取得了 2.84 的 FID。我们还将 PixNerd 框架扩展到了文本到图像应用。我们的 PixNerd-XXL/16 在 GenEval 基准上取得了具有竞争力的 0.73 总分，在 DPG 基准上取得了 80.9 总分。
引用
@article{arxiv.2507.23268,
title = {PixNerd: Pixel Neural Field Diffusion},
author = {Shuai Wang and Ziteng Gao and Chenhui Zhu and Weilin Huang and Limin Wang},
journal= {arXiv preprint arXiv:2507.23268},
year = {2025}
}
备注
a single-scale, single-stage, efficient, end-to-end pixel space diffusion model