扩展 Transformer 能量模型以实现高质量图像合成

研究人员提出在潜在空间运行的 Transformer 能量模型 TEM，通过多层能量求和与视觉基础模型对齐解决高维训练不稳定难题。在无需 classifier-free guidance 时，TEM-XL 在 ImageNet 256×256 上实现 3.82 的 FID-50K，在 512×512 分辨率下达到 8.24。该方法同时验证了组合生成、零样本图像修复及分布外检测能力。