Pixel-Space Diffusion Transformers (pDiT)

arXiv:2607.17585

Authors: Renye Yan et al.

Topic: Pixel-space Diffusion + Transformer + Unified Multimodal Generation

(Tempodimare)

1. Paper Overview

Motivation

当前主流图像生成模型（Stable Diffusion、DiT、FLUX、SD3 等）主要采用：

Image
 ↓
VAE Encoder
 ↓
Latent Space
 ↓
Diffusion Transformer
 ↓
VAE Decoder
 ↓
Image

即：

Latent Diffusion Model (LDM)

优点：

但是存在问题：

1. VAE bottleneck

VAE 是固定视觉 tokenizer：

pixel space
    ↓
   VAE
    ↓
latent representation

压缩过程中：