Scaling Text-to-Image Diffusion Transformers with Representation Autoencoders
[Статья] [Код]

Введение

RAE (Represenation Auto Encoders) ранее неплохо себя показали в качестве альтернативы VAE в задаче Class Conditional генерации.

Однако валидации на масштабе и для задачи text-2-image не было. Поэтому вопрос о масштабируемости парадигмы оставался открытым.

И вот коллектив оригинальных авторов + ЛеКун выпустили продолжение с экспериментами на t2i.