跳到主要内容
检索

Qinghai Institute of Technology

1 篇关联报道

订阅更新
  1. arXiv

    扩散Transformer放大到4K不再丢语义:文本注意力保持全局,图像注意力退回训练尺度

    扩散Transformer(DiT)文生图模型在超出训练分辨率时会出现语义退化,生成内容失去可辨识含义。一种免训练框架把文本令牌的注意力保持为全局,同时把图像令牌的感受野限制在训练分辨率尺度,再沿去噪轨迹做跨尺度与跨时间的高频细节校正。在Flux.1.0-dev上,该方法在2048×2048、2048×4096和4096×4096三种分辨率下的FID、KID及分块版本FIDp、KIDp均优于所列免训练方法,4096×4096推理耗时14.7,而ScaleDiff在该分辨率因显存不足无法运行。

已读完全部报道