Depth as Time in One-Step Generative Models

Nie udało się dodać produktów

Nie możemy dodać tego artykułu, ponieważ Twój koszyk jest już pełny.

Nie udało się dodać tytułu do koszyka.

Spróbuj ponownie później

Nie udało się dodać tytułu do schowka.

Spróbuj ponownie później

„Usuń ze schowka“ nie powiodło się.

Spróbuj ponownie później

„Obserwuj podcast“ nie powiodło się

„Przestań obserwować podcast“ nie powiodło się

Depth as Time in One-Step Generative Models

Słuchaj bezpłatnie, bez subskrypcji

Zobacz szczegóły

Saisonale Sparangebote | 0,99 € pro Monat für die ersten 3 Monate

Danach 6,99 €/Monat. Bedingungen gelten. Monatlich kündbar.

One-step generators compress multi-step diffusion into a single forward pass, raising the question of what happens to the denoising trajectory. The authors observe "depth as time": denoising unfolds across network layers and can be recovered by decoding intermediate layers with the model's own output head. The behavior depends on the training task; MeanFlow shows both denoising and renoising, while drifting models do not. Models showing it compress well, with a MeanFlow SiT-L/2 shrunk 16.6x into one time-conditioned block. Authors: Arnold Caleb Asiimwe, William Yang, Sanghyuk Chun, Esin Tureci, Olga Russakovsky Paper: https://arxiv.org/abs/2610.03626v1

Brak recenzji