允中 发自 凹非寺 量子位 | 公众号 QbitAI 近年来，基于扩散模型的图像生成技术发展迅猛，催生了Stable Diffusion、Midjourney等一系列强大的文生图应用。然而，当前主流的训练 范式普遍依赖一个核心组件——变分自编码器（VAE），这也带来了长久以来困扰研究者们的几个问题： 为了从根本上解决VAE带来的诸多限制，EPG中提出通过 自监督预训练（SSL Pre-training）与端到端微调（End-to-End Fine-tuning） 相结合 的方式，彻底去除了生成模型对VAE的依赖。 其核心优势在于： 训练效率与生成效果双重突破：在ImageNet-256和512数据集上，EPG在训练效率远超基于VAE的主流模型DiT/SiT的同时，仅仅通过75次 模型前向计算就取得了更优的生成质量，FID分别达到了2.04和2.35。 首次实现像素空间的一致性模型训练：在不依赖VAE及 预训练的扩散模型权重 的前提下，EPG首次成功在像素空间中端到端地训练了一致性 模型（Consistency Model），在ImageNet-256上仅需单步即可取得8.82的FID。 训练复杂性：VAE旨在 ...