Fugu-MT 論文翻訳(概要): PixelU: A U-Shaped Transformer for Efficient End-to-End Pixel Diffusion

論文の概要: PixelU: A U-Shaped Transformer for Efficient End-to-End Pixel Diffusion

arxiv url: http://arxiv.org/abs/2606.27760v1
Date: Fri, 26 Jun 2026 06:39:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-29 18:24:25.396447
Title: PixelU: A U-Shaped Transformer for Efficient End-to-End Pixel Diffusion
Title（参考訳）: PixelU: 効率の良いエンドツーエンドの画素拡散のためのU字型変換器
Abstract要約: 我々は、ピクセル空間に適した最小限の単段U字型拡散変換器であるPixelUを紹介する。 PixelUは「情報ハイウェイ」を提供するゼロコストスキップ接続に賛成して補助デコーダを放棄実験により、この周波数の分離は、計算コストの約1/3で強いベースライン(JiT-G)より優れていることが示された。
参考スコア（独自算出の注目度）: 16.22743300700166
License: http://creativecommons.org/licenses/by/4.0/
Abstract: End-to-end pixel-space diffusion models bypass the lossy compression of Latent Diffusion Models (LDMs) but struggle to jointly model low-frequency semantics and high-frequency signals in high-dimensional space. Existing works heavily rely on complex pixel decoders to alleviate this issue. In this paper, we challenge this trend by revealing that these decoders primarily compensate for the optimization difficulties inherent to velocity prediction ($v$-prediction). Under the clean data paradigm ($x$-prediction), they are redundant. Motivated by this insight, we advocate for simplicity over complexity and introduce PixelU, a minimalist, single-stage U-shaped Diffusion Transformer tailored for pixel space. PixelU abandons auxiliary decoders in favor of zero-cost skip connections, which provide an "information highway" that directly routes uncorrupted high-frequency spatial details from shallow to deep layers. To further enable the backbone to focus exclusively on modeling low-frequency semantics, we introduce a constant-channel spatial down-sampling mechanism as a natural low-pass filter, which compresses deep features into a compact, low-frequency semantic manifold. Extensive experiments demonstrate that this decoupling of frequencies could outperform the strong baseline (JiT-G) with only about 1/3 of its computation cost. On ImageNet 256$\times$256 and 512$\times$512, PixelU achieves FID of 1.63 and 1.92 respectively, surpassing recent pixel-space methods and establishing a simple yet powerful new paradigm for end-to-end diffusion models.
Abstract（参考訳）: 高次元空間における低周波セマンティクスと高周波信号の連成モデル化に苦慮している。既存の処理は、この問題を軽減するために複雑なピクセルデコーダに大きく依存している。本稿では、これらのデコーダが、速度予測(v$-prediction)に固有の最適化困難を主に補うことを明らかにすることで、この傾向に挑戦する。クリーンデータパラダイム(x$-prediction)の下では、これらは冗長である。この知見に触発されて、我々は複雑さよりも単純さを提唱し、ピクセル空間に適した最小限のU字型拡散変換器であるPixelUを導入しました。 PixelUは、ゼロコストのスキップ接続を優先して補助デコーダを廃止し、未破損の高周波空間の詳細を浅い層から深い層へ直接ルーティングする"情報ハイウェイ"を提供する。さらに、バックボーンが低周波セマンティクスのモデリングのみに集中できるように、我々は、深い特徴をコンパクトで低周波セマンティクスに圧縮する自然なローパスフィルタとして、一定のチャネル空間ダウンサンプリング機構を導入する。大規模な実験により、この周波数の分離は、計算コストの約1/3で強いベースライン(JiT-G)より優れていることが示された。 ImageNet 256$\times$256と512$\times$512では、PixelUはそれぞれ1.63と1.92のFIDを達成し、最近のピクセル空間の手法を超越し、エンドツーエンドの拡散モデルのためのシンプルだが強力な新しいパラダイムを確立する。

関連論文リスト

Group-of-Latents: Perceptual Video Compression at Extreme Bitrates via Masked Latent Generative Modeling [49.11379121512358]
本稿では,事前学習した拡散変圧器を組み込んだ統合生成フレームワークを提案し,高い知覚品質を極端に低速で達成する。提案手法は,空間的細部が豊富で時間的整合性が強い,最先端の知覚的忠実度を実現する。
論文参考訳（メタデータ） (2026-07-21T06:36:32Z)
PiD: Fast and High-Resolution Latent Decoding with Pixel Diffusion [65.47126282928896]
latent-to-pixel デコーダは再構成指向であり、詳細を合成するのではなく、エンコーダを反転するように最適化されている。条件付き画素拡散として遅延復号を再構成する画素拡散復号器であるPiDを導入する。高解像度のピクセル空間で直接ノイズを発生させることで、PiDは低レイテンシで4倍、さらに8倍のアップスケールの画像を合成する。
論文参考訳（メタデータ） (2026-05-22T17:59:42Z)
FrequencyBooster: Full-Frequency Modeling for High-Fidelity Pixel Diffusion [15.557373713923306]
FrequencyBoosterは、フル周波数モデリング機能を備えたピクセル拡散を、禁忌のオーバーヘッドなしに促進するように設計された、新しいフレームワークである。我々のモデルは320エポックで256倍256$の解像度で textbf1.60 の最先端 FID を実現する。 FrequencyBoosterは512倍の512ドルの解像度で、textbf1.69のFIDを獲得し、既存のピクセル空間と潜在空間の生成モデルを大幅に上回っている。
論文参考訳（メタデータ） (2026-05-18T02:25:07Z)
PixelGen: Pixel Diffusion Beats Latent Diffusion with Perceptual Loss [47.868429337792314]
知覚的監視機能を備えたシンプルなピクセル拡散フレームワークであるPixelGenを提案する。フルイメージ多様体をモデル化する代わりに、PixelGenは2つの補完的な知覚的損失を導入した。 LPIPSの損失は、より優れた局所パターンの学習を促進する一方、DINOベースの知覚的損失は、グローバルな意味論を強化する。
論文参考訳（メタデータ） (2026-02-02T18:59:42Z)
PixelDiT: Pixel Diffusion Transformers for Image Generation [48.456815413366535]
PixelDiTはDiffusion Transformers用の単一ステージのエンドツーエンドモデルである。オートエンコーダの必要性を排除し、ピクセル空間内で拡散過程を直接学習する。 ImageNet 256x256で1.61 FIDを達成し、既存のピクセル生成モデルを大きく上回っている。
論文参考訳（メタデータ） (2025-11-25T18:59:25Z)
DeCo: Frequency-Decoupled Pixel Diffusion for End-to-End Image Generation [93.6273078684831]
より効率的な画素拡散パラダイムを追求するために,周波数デカップリング方式の画素拡散フレームワークを提案する。高速・低周波成分の生成を分離する直感によって, セマンティックガイダンスに基づく高周波細部を生成するために, 軽量画素デコーダを利用する。実験の結果,DeCoは1.62 (256x256) と2.22 (512x512) の FID を実現した。
論文参考訳（メタデータ） (2025-11-24T17:59:06Z)
DiP: Taming Diffusion Models in Pixel Space [91.51011771517683]
Diffusion Transformer (DiT) バックボーンは、効率的なグローバル構造構築のために大きなパッチで動作する。共同トレーニングされた軽量パッチディーラーヘッドは、コンテキスト機能を活用して、きめ細かいローカル詳細を復元する。
論文参考訳（メタデータ） (2025-11-24T06:55:49Z)
One Small Step in Latent, One Giant Leap for Pixels: Fast Latent Upscale Adapter for Your Diffusion Models [45.92038137978053]
本稿では,Latent Upscaler Adapter(LUA)について述べる。 LUAはドロップインコンポーネントとして統合されており、ベースモデルや追加の拡散段階を変更する必要はない。スケール固有のピクセルシャッフルヘッドを持つ共有Swinスタイルのバックボーンは、2xと4xファクタをサポートし、画像空間SRベースラインと互換性がある。
論文参考訳（メタデータ） (2025-11-13T18:54:18Z)
DDT: Decoupled Diffusion Transformer [51.84206763079382]
拡散変換器はノイズの多い入力を符号化し、意味成分を抽出し、同じモジュールで高い周波数をデコードする。 textbfcolorddtDecoupled textbfcolorddtTransformer(textbfcolorddtDDT) textbfcolorddtTransformer(textbfcolorddtDDT) textbfcolorddtTransformer(textbfcolorddtDDT)
論文参考訳（メタデータ） (2025-04-08T07:17:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。