arXiv · ML· ZiDong Wang, Zeyu Lu, Di Huang, Cai Zhou, Xiaoyu Yue, Wanli Ouyang, and Lei Bai·· 2026-10-21AI 评分41
FiTv2:面向扩散模型的可扩展改进型灵活视觉 Transformer
FiTv2: Scalable and Improved Flexible Vision Transformer for Diffusion Model
AI 导读
FiTv2 将图像概念化为动态大小的 token 序列,支持无限制分辨率和宽高比的图像生成,其收敛速度达到 FiT 的 2 倍。 模型引入 Query-Key 向量归一化、AdaLN-LoRA 模块、整流流调度器和 Logit-Normal 采样器,所有代码和模型已开源。
来源:arXiv · ML · arxiv.org