统一潜在表示 (UL)：如何训练你的潜在表示
机器学习
2026-02-20 v1 计算机视觉与模式识别
摘要
我们提出了统一潜在表示 (Unified Latents, UL)，这是一种用于学习潜在表示的框架，其由扩散先验正则化并由扩散模型解码。通过将编码器的输出噪声链接到先验的最小噪声水平，我们获得了一个简单训练目标，为潜在比特率提供紧密的上界。在 ImageNet-512 上，我们的方法以 FID 1.4 实现了与竞争的水平，同时保持高质量的重构 (PSNR)，且所需的训练 FLOPs 少于在 Stable Diffusion 潜在表示上训练的模型。在 Kinetics-600 上，我们设得了新的 SOTA FVD 为 1.3。
引用
@article{arxiv.2602.17270,
title = {Unified Latents (UL): How to train your latents},
author = {Jonathan Heek and Emiel Hoogeboom and Thomas Mensink and Tim Salimans},
journal= {arXiv preprint arXiv:2602.17270},
year = {2026}
}