像素空间文本到图像扩散模型训练的实证研究
本文研究大规模像素空间文本到图像扩散模型的训练方法。作者发现，直接在像素空间进行预训练的收敛速度明显慢于潜在空间训练。因此，他们提出先在潜在空间高效学习生成先验，再在后训练阶段切换到像素空间的策略。研究系统分析了权重初始化、数据组成、预测目标、解码器架构和噪声调度等关键设计。结果表明，该方法生成的像素空间模型能够达到或超过潜在空间模型的性能，同时将端到端推理速度提升约3.18至4.75倍。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。