研究人员引入了循环流变换器 (LiFT)，这是一类新颖的生成模型。LiFT 通过重复应用共享的扩散变换器 (DiT) 核心并进行最小的架构更改来扩展计算。循环中的每一步都用单个回归目标进行训练，允许模型在不重新训练的情况下循环超出其训练深度。这种方法提高了生成质量，并允许在不增加参数的情况下增加推理计算。在 256x256 分辨率的 ImageNet 上，LiFT-L/2 在参数量和训练/推理 FLOPs 显著减少的情况下，取得了比密集型 DiT-XL/2 基线更低的 FID 分数。 AI
影响 引入了一种新的生成模型架构，提高了在基准测试上的效率和生成质量。
排序理由 该集群描述了一篇介绍新颖模型架构的研究论文。 [lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
