本文へスキップ

Masked Diffusion Transformer (MDT)

覆われたトークンを予測して画像を合成する

公式サイトを見る

MDT とは

本モデルはマスク潜在モデル方式で画像合成を改善するものと紹介され、拡散確率モデルが画像内の対象部分の関係を学ぶのを助ける。

できること

  • 高解像度の画像を生成する
  • 画像合成の課題で速い学習に取り組む
  • MDTv2 で画像合成の FID 値を高める

モデルの要点

  • 学習では潜在空間の一部トークンを覆う
  • 非対称な変換器が覆われたトークンを予測する
  • 拡散の生成過程は保たれる

長所と短所

✓ 良い点

  • 学習中も拡散の生成過程が保たれる
  • トークンの掩蔽は潜在空間で行われる

! 注意したい点

  • 予測は覆われていないトークンに依存する
  • MDTv2 はマクロ構造と学習方針を変える

よくある質問

何を覆うのか?

資料は学習中に潜在空間で一部のトークンを覆うと説明する。

MDTv2 の変更点は?

資料はより効率的なマクロ構造と学習方針を挙げる。

最終評価日: 2026-11-15

その他 AI画像生成 ツール

すべて見る →

評価方法