像素扩散模型的对抗训练后训练研究

2026年9月29日，HuggingFace Daily Papers收录一篇社区热门论文，首次系统探索像素扩散模型的对抗后训练。该方法在预训练模型上保留原有扩散或流匹配目标，仅对非高噪声时间步的预测输出加入对抗损失，架构与采样流程均不变。在两个像素骨干上，该后训练同时提升了分布保真度、覆盖度、提示词对齐和感知质量；频谱分析显示原模型系统性缺失自然图像高频成分，对抗后训练可将其恢复。研究同时指出，在测试的潜空间扩散配置下，同样流程未带来可比增益，几乎不增加解码后的高频功率。该报道未提供作者、机构或代码等进一步信息。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。