Decoupled Diffusion Transformer
PulseAugur coverage of Decoupled Diffusion Transformer — every cluster mentioning Decoupled Diffusion Transformer across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的DDT-RFE方法增强了用于图像任务的扩散模型
研究人员开发了一种名为DDT-RFE的新方法，通过修改解耦扩散Transformer (DDT) 来改进扩散模型。该方法消除了编码器块中的残差连接，实现了更渐进的特征抽象。通过融合输入块嵌入与中间和最终编码器特征，解码器可以访问多深度信息，从而在各种视觉理解任务上提高性能，并在ImageNet上提高图像生成质量。
-
新方法可实现长视频的快速生成
研究人员开发了一种名为“Mode Seeking meets Mean Seeking”的新训练范式，以改进长视频的生成。该方法使用解耦扩散Transformer（Decoupled Diffusion Transformer）将局部保真度与长期连贯性解耦。该方法采用全局流匹配头（global Flow Matching head）来处理叙事结构，并采用局部分布匹配头（local Distribution Matching head）…
-
新的导航世界模型RAE-NWM在密集视觉空间中运行
研究人员开发了一种新的导航世界模型RAE-NWM，它在密集视觉表示空间中运行，而不是在压缩的潜在空间中运行。这一方法在最近的一篇arXiv论文中有所详细介绍，它使用条件扩散Transformer和解耦扩散Transformer头来建模状态转换。通过利用密集的DINOv2特征，RAE-NWM旨在提高执行视觉导航任务的智能体的结构稳定性和动作准确性。