闻乐 发自 凹非寺

量子位 | 公众号 QbitAI

长期以来，AI生图被一个经典矛盾困扰。

潜空间模型效率高，但细节有损耗；像素空间模型保真度高，却容易结构混乱、速度慢。

要么快要没准，大家几乎默认这是架构带来的取舍问题，没法彻底解决。

但扩散模型生图，顺序真的对吗？

李飞飞团队最新论文提出的Latent Forcing方法直接打破了这一共识，他们发现生成的质量瓶颈不在架构，而在顺序。

简单说就像画画必须先打草稿再填色，AI也需要一个「先定结构、后填细节」的强制逻辑。

Latent Forcing仅通过重排生成轨迹，像素扩散模型不仅找回了效率，更在多项指标上刷新SOTA。

传统方法瓶颈

在深入了解Latent Forcing之前，咱先来说说当前两大方法的瓶颈。

传统像素级扩散模型之所以画图会画歪，是因为它在降噪过程中，高频的纹理细节往往会干扰低频的语义结构。

模型常常在还没搞清楚物体的整体轮廓时，就被迫去预测局部的像素颜色，其实这在本质上就违背了视觉生成的自然逻辑。

为了解决这个问题，行业此前大多转向潜空间。

它通过预训练的tokenizer把图像压到低维空间，生成速度飞起。

但潜空间模型必须依赖一个预训练的解码器，但这不仅会引入重建误差，也让模型失去了端到端建模原始数据的能力。

于是李飞飞团队思考——

能不能既保留像素级的无损精度，又获得潜空间的结构引导？

先打个草稿

Latent Forcing的答案是——

对扩散轨迹重新排序。

怎么做的呢？

在不改变基础Transformer架构的前提下，引入了双时间变量机制。

在训练和生成过程中，模型会同时处理像素和潜变量。不同的是，团队为两者定制了独立的降噪节奏：

• 潜变量先行：在生成初期，潜变量会率先完成降噪，在大尺度上确立图像的语义骨架；

• 像素填色：在结构确定后，像素部分再跟进进行精细化降噪。

这么一看，潜变量就像是一个临时的草稿本。

生成结束时，这个草稿本直接丢弃，最终输出仍是100%无损的原始像素图像，没有任何decoder。

整个过程端到端、可扩展，几乎不增加计算量（token数量不变，速度接近原生DiT）。

这种先latent后pixel的细微调整，在ImageNet榜单上展现了出色的表现。

在相同计算规模，训练80个epochs的条件下，Latent Forcing在ImageNet-256任务中，条件生成的FID分数较此前最强的像素级模型JiT+REPA，从18.60降到9.76，接近腰斩。

在200个epoch的最终模型（ViT‑L 规模）下，Latent Forcing实现了条件生成FID 2.48（guided）、无条件生成FID 7.2（unguided）的分数。

创下像素空间扩散Transformer新的SOTA。

过去学术界普遍认为，必须通过更高倍率的有损压缩才能换取好的FID表现。

Latent Forcing则用数据反驳了这一观点——

在保持100%原始像素精度的情况下，我们依然能跑出超越有损模型的性能。

Latent Forcing项目由李飞飞领衔。

第一作者Alan Baade是李飞飞的学生，斯坦福计算机系博士生，在扩散模型和生成建模方向有深入研究。

其他斯坦福共同作者包括Eric Ryan Chan、Kyle Sargent、Changan Chen和Ehsan Adeli。

此外，密歇根大学教授Justin Johnson作为合作作者参与其中。

论文地址：https://arxiv.org/abs/2602.11401