像素扩散模型虽然避开了 VAE，但它要面对的是一个极其复杂的高维空间。在这个空间里，除了我们关心的物体形状、颜色，还充斥着大量的“无效信息”，比如相机的噪声、肉眼不可见的细节。让模型去逐个像素地死磕这些无效信号，不仅浪费算力，还会让训练变得异常困难。

1.舍弃 VAE，预训练语义编码器能让 Diffusion 走得更远吗？ 为什么流行的 VAE 是 Diffusion 的瓶颈？舍弃 VAE 的 DiT 有哪些做法？用 ...