RoAR-VAE、頑健な予測で潜在表現の拡散モデル適合性を向上

RoAR-VAEは、破損させた潜在表現からセマンティクスと画像情報を頑健に予測させることで、ビジュアルトークナイザの再構成精度と拡散モデルでの学習しやすさの両立を図る手法である。同じ学習予算の下で、生成ベンチマークの平均性能は最強のベースライントークナイザを2.19ポイント上回った。小さな文字の再構成精度はFLUX.1-VAEに比べて16.93パーセントポイント高い。