文章核心观点 - 李飞飞团队提出的Latent Forcing方法，通过重排扩散模型的生成轨迹，强制实现“先定结构、后填细节”的逻辑，从而在保持100%原始像素精度的同时，解决了传统AI生图方法在效率与保真度之间的取舍矛盾，并在多项指标上刷新了SOTA [4][5][6][26] 传统方法瓶颈 - 传统像素级扩散模型在降噪过程中，高频纹理细节会干扰低频语义结构，导致模型在未明确整体轮廓时就预测局部像素颜色，违背视觉生成的自然逻辑，容易产生结构混乱和速度慢的问题 [8][9] - 潜空间模型通过预训练tokenizer将图像压缩到低维空间，生成速度快，但依赖预训练解码器会引入重建误差，并丧失端到端建模原始数据的能力 [11][12] Latent Forcing方法原理 - 该方法核心是对扩散轨迹进行重新排序，在不改变基础Transformer架构的前提下，引入双时间变量机制，让模型同时但异步地处理像素和潜变量 [14][16] - 在生成初期，潜变量率先完成降噪，在大尺度上确立图像的语义骨架；在结构确定后，像素部分再进行精细化的降噪填色 [19] - 生成过程结束后，用于结构引导的潜变量“草稿”被直接丢弃，最终输出是100%无损的原始像素图像，无需解码器，整个过程端到端、可扩展，且几乎不增加计算量 [20][21] 性能表现与突破 - 在ImageNet-256任务中，相同计算规模下训练80个epochs，Latent Forcing的条件生成FID分数从此前最强的像素级模型JiT+REPA的18.60降至9.76，接近腰斩 [22] - 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 [23][24] - 该方法打破了学术界“必须通过更高倍率的有损压缩才能换取好的FID表现”的普遍观点，证明在保持100%原始像素精度的情况下，性能可以超越有损模型 [25][26] 研究团队 - 该研究项目由斯坦福大学教授李飞飞领衔，其他共同作者包括Eric Ryan Chan、Kyle Sargent、Changan Chen和Ehsan Adeli，密歇根大学教授Justin Johnson作为合作作者参与 [27][28][29]