Just Image Transformer: 在像素空间中预测真实图像的流匹配模型

本文介绍了Just Image Transformer (JiT)，这是一种流匹配模型，旨在直接在像素空间内预测真实图像，绕过了变分自编码器 (VAE) 的使用。 核心创新在于预测真实图像 (x-pred) 而不是速度 (v)，从而实现了卓越的性能。 然而，损失函数是使用从真实图像 (x) 和噪声图像 (z) 导出的速度 (v-loss) 计算的。 本文强调了从基于 U-Net 的模型（如 Stable Diffusion 等基于扩散的图像生成中普遍存在）的转变，并暗示了进一步的发展。