LAP：扩散模型表征对齐的局部外观纯化方法

2026年10月16日，arXiv Computer Vision 刊出由 Yingheng Wang 等作者完成的研究，提出局部外观纯化（LAP）方法，用于改进扩散模型的表征对齐。该方法通过移除局部可预测内容并对残差进行对齐，提升生成质量，并使 MAE 等编码器成为更有效的对齐目标。据该报道，LAP 只修改对齐目标，无需改动扩散训练或推理流程；在 ImageNet-256 上使用 SiT-B/2 时，LAP 将 MAE 对齐的 FID 从 53.1 降至 42.3，并在 MAE、AIMv2、CLIP、DINOv2、DINOv3 五种预训练表征上均有提升。代码与检查点发布在项目页面。上述数据与结论均来自该篇报道，尚无其他跟进报道可对照。

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。