(Preprint) Diffusion Transformers with Representation Autoencoders

https://arxiv.org/abs/2510.11690

1. Representation Autoencoder(とその周辺) 2025.11.05 Shumpei Takezaki
2. • Diffusion Transformers with Representation Autoencoders • DiTに視覚エンコーダー(DINOなど)と学習済みのデコーダーを組み合わせた Representation Autoencoders (RAE)を導入 • ImageNetの生成においてFID 1.51 (256×256)と 1.13(512×512)を達成 紹介する論文と概要 1 視覚エンコーダー デコーダー ICLR2026 submitted
3. • Latent Diffusion Models (LDM)やDiffusion Transformer (DiT) が高い生成精度と処理効率を実現 • ほとんどの大規模な拡散モデル[1,2,3]はLatent spaceで動いているといっていい 拡散モデルはLatent spaceで動いている 2 Stage1: Autoencoder for Latent Space Stage 2: Diffusion Model in Latent space VAE Enc. VAE Dec. Reconstruction Latent VAE Enc. DiT Corrupt Denoising 今日はDiTメイン SD-VAE
4. • 視覚エンコーダー (DINO[4,5], MAE[6], CLIP[7]/SigLIP[8]など)を使って 拡散モデルを改善するような手法が提案 • 意味構造を持つ特徴空間を拡散モデルの学習に活用！ 視覚エンコーダーを用いた拡散モデルの改善 3 DINO[4,5] MAE[6] CLIP[7] / SigLIP[8] VFM=Vision Foundation Model (視覚エンコーダーと呼んでます)
5. • 視覚エンコーダーの特徴と”Alignment”を取るのが常套手段 • Stage1: Latent spaceでAlignment • Stage2: DiT中間特徴でAlignment 視覚エンコーダーを用いた拡散モデルの改善 4
6. • 視覚エンコーダーの特徴と”Alignment”を取るのが常套手段 • Stage1: Latent spaceでAlignment • Stage2: DiTの中間特徴でAlignment 視覚エンコーダーを用いた拡散モデルの改善 5 VAE Enc. VAE Dec. Latent VFM Align VA-VAE[9] Feature ReDi[10]
7. • 視覚エンコーダーの特徴と”Alignment”を取るのが常套手段 • Stage1: Latent spaceでAlignment • Stage2: DiTの中間特徴でAlignment 視覚エンコーダーを用いた拡散モデルの改善 6 VAE Enc. DiT Corrupt VFM Align Hidden feature Feature REPA[11] REPA-E[12] REG[13] DDT[14]
8. • RAE: 視覚エンコーダーと学習済みのデコーダーを組み合わせたAE • RAEのLatent spaceに適したDiTを提案 提案手法: Representation Autoencoder (RAE) 7 RAE Dec. VFM Reconstruction VFM DiT Corrupt Denoising (small) Corrupt DDT Head RAE
9. • RAE: 視覚エンコーダーと学習済みのデコーダーを組み合わせたAE • RAEのLatent spaceに適したDiTを提案 提案手法: Representation Autoencoder (RAE) 8 VFM DiT Corrupt DDT Head 1. RAE Recon. 2.DiT Arch. Denoising 5. DDT Head 3. Noise Scheduler 4. Noise-Aug. Decoding RAE Dec. VFM Reconstruction (small) Corrupt RAE
10. • RAEで高精度な再構成が可能であるかを評価 • VFM＆Decoderの大きさと再構成精度との関係を調査 1. RAE Reconstruction 9 DINOv2, SegLIP, MAE ViT-B, L, XL SD-VAEとほとんどおなじ (KL lossだけなし) A e Reconstruction
11. • RAEで高精度な再構成が可能であるかを評価 • VFM＆Decoderの大きさと再構成精度との関係を調査 1. RAE Reconstruction 10 再構成評価 (Dec.はViT- XL) ※1 rFID=Reconstruction FID. Lower is better ※2 ImageNet-1kで評価 Decoderの大きさで比較 (Enc.はDINOv2-S) VFMの大きさで比較 (Dec.はViT-XL) 意味的な空間の評価 (Linea prob.) EncoderにVFM使っても 高精度な再構成が可能！ Decoderは大きいほど 精度がいい VFMは小さなモデルで 十分 SD-VAEは意味的な特徴を 捉えていない A e 基本的にはこの組み合わせ - Enc.: DINOv2-B - Dec.: ViT-XL
12. t at i i i l n at i • RAEのLaten spaceでも従来のDiTと同じ計算量 • 𝑛 = VFM特徴空間の次元 (DINOv2-Bでは768) • 𝑑 = DiT特徴空間の次元 (DiT-Bでは768) • 𝑙 = DiT blockの数 (深さ） RAEをDiTで使ってみよう 11 i t パッチサイズ 𝑝 = ここの大きさが従来のDiTと同じ=同じ計算量
13. • ImageNetのgFIDが，RAE > SD-VAEとなってしまう • 著者たちはRAEのLatent spaceを用いたDiTのために以下の3つを提案 • DiTアーキテクチャの改善 • 高次元なLatent spaceのためのNoise schedule • Noisy latentsに対応したDecoder RAEをそのまま使うと精度が悪い.. 12 ImageNetのgFID (50 steps Euler sampler) ※1 gFID= Generation FID. Lower is better i t
14. • DiT特徴次元𝑑とVFM特徴次元𝑛の関係 2. DiT Architecture 13 i t “画像1枚のみ”を用いて学習したときの結果 ） 𝑑 < 𝑛: サンプルの品質が劣化 (画像1枚すら再現できない) ） 𝒅 ≥ 𝒏: 品質が急激に改善 𝑑 < 𝑛 の時，DiT blockの数𝑙を 大きく(深く)しても品質は改善しない ここに注目
15. • DiT特徴次元𝑑 ≥ VFM特徴次元𝑛であることが必須 • VFMの大きさに合わせたDiTを用意する必要がある • Encoder: DINOv2-B (𝑛 = 7 8)，Decoder: DiT-XL (𝑑 = )を使用 2. DiT Architecture 14 i t VFM (DINOv2)とDiTの対応 (損失の値) 𝑑 ≥ 𝑛 𝑑 < 𝑛 ここに注目
16. • 𝑑 ≥ 𝑛でないといけない理論的な理由づけも行っている • 𝑑 < 𝑛 の時， 𝑛次元データにおける拡散モデルの損失は0に収束しない • 𝑑 ≥ 𝑛だと，０に収束することが保証される 2. DiT Architecture 15 i t ここに注目
17. • 高次元データを適切に拡散するNoise scheduleを使用 • RAE (𝑛 = 7 8)は，SD-VAE (𝑛 ≤ )に比べて次元が高い • 高次元データを低次元データと同じだけ壊すには多くのノイズ付与が必要 • 時刻をシフトし早い時刻でより多くのノイズを付与 (SD3[3]で提案されているものを そのまま使用) 3. Noise schedule 16 i t ここに注目 𝑎: シフト前の次元. 409 に設定 𝑏: シフト後の次元. 9 , 08 (= 7 8)に設定 𝑡𝑎 , 𝑡𝑏 : シフト前，シフト後の時刻．[0, ]の範囲． 𝑡𝑏 = Τ 𝑏 𝑎 𝑡𝑎 + ( Τ 𝑏 𝑎 − )𝑡𝑎 3 3 Corrupt 猫 猫 猫 × 猫 高次元 低次元 高次元だと 情報が残る 𝑡𝑎 = 0. , Τ 𝑏 𝑎 = 3とすると， → 𝑡𝑏 ≈ 0.4 → 時刻0 2で時刻0 4分のノイズ付与 g I : 23 08→4 81に改善
18. • DecoderでNoisy latentの再構成を学習 • Noisy latent: Latentに少量のノイズを付与 • 生成されるLatentは必ずしも綺麗ではない • ノイズ付与ありの学習で再構成の頑健性と汎化性を改善 4. Noise-Augmented Decoding 17 ここに注目 ノイズ付与なし あり 〃 再構成精度 ( I )は悪化するが， 生成精度 (g I )が改善 RAE Dec. VFM Reconstruction (small) Corrupt
19. • 1.~4.を組み合わせてモデルで従来手法 (SiT[15], REPA[11])と比較 改善点を組み込んだDiT with RAEを評価 18 g I =2 39を達成 SiTの47倍, REPAの16倍 効率的な学習
20. • 高次元なLatentを効率よく計算するためにDDT Headを利用 • 𝑑 ≥ 𝑛の制約のために層を深くすると計算量が急激に増加 • 浅いが幅の広いTransformerモジュールであるDDT Headを導入 • DDT[14]から着想を得たモジュール • DDT Headで扱う特徴だけ高次元に設定 (𝑑′ = 048を採用) 5. DDT Head 19 ここに注目 t i DiT Block 𝑛 𝑑 𝑛 𝑙 i t ea i l ea DDT Block 𝑑′ DDT Final 𝑑 Unpatchify at i
21. • ea の導入により，大幅な生成精度の改善を実現 • 特に高次元なLatent s a e ( INOv2-L)において大幅な改善 • 学習効率も大幅な改善が見られた 5. DDT Head 20 ここに注目 i t ea DDT Headなし あり 〃 ImageNetのg I 学習効率 ↑ 生成精度 ↑
22. • 収束速度，スケーリングの観点で比較 SOTA DiT手法との比較 21 収束速度UP↑ スケーリング性↑
23. ImageNetの画像生成でSOTA手法と比較 22 lass- n iti nal 256x256 gFID 1.51 (1.13 w/ Autoguidance[16]) Class-conditional 512x512 gFID 1.13 w/ Autoguidance
24. • RAEの他にも同時期に同じコンセプトの研究が多数投稿 • 全てICLR2026へ投稿．若干，手法や実装が異なる • RAE以外はVFMの最適化やAdapterを使用 拡散モデルにおける視覚エンコーダーを使ったLatent space 23 en, et al [17] G i, et al [19] Shi, et al.[20] Bi, et al.[18] T2Iを実装!
25. • まとめ • DiTのLatent spaceとしてVFMの特徴空間をそのまま使用 • VFMの特徴空間は，再構成精度 (rFID)，生成精度 (gFID)ともに改善 • 同じようなモチベーションの研究が複数報告されている (T2Iも可能） • 感想 • VFMとDiTを“直接つなげた”初めての研究で興味深かった • これからのスタンダードな拡散モデルとなり得るので今後の発展に期待 • AEも含めてすべてがTransformerで成立しているところも大きい まとめ 24
26. [1] bin mba , et al , “ ig - es l ti n Image S nt esis wit Latent i si n els”, 2022 [2] la est Labs, L X, 2024, tt s://git b m/bla - est-labs/ l x [3] at i sse , et al , “S aling e ti ie l w ans me s ig - es l ti n Image S nt esis”, I L2024 [4] at il e a n, et al , “ me ging e ties in Sel -S e vise isi n ans me s,” I 2021 [5] axime Oq ab, et al , “ INOv2: Lea ning b st is al eat es wit t S e visi n,” L , 2024 [6] Kaiming e, et al , “ as e A t en e s A e S alable isi n Lea ne s,” 2022 [7] Ale a , et al , “Lea ning ans e able is al els m Nat al Lang age S e visi n,” I L2021 [8] Xia a Z ai, et al , “Sigm i L ss Lang age Image e- aining,” I 2023 [9] Jing eng Ya , et al , “ e nst ti n vs Gene ati n: aming O timizati n ilemma in Latent i si n els,” 2025 [10] e s K zelis, et al , “ sting Gene ative Image eling via J int Image- eat e S nt esis,” Ne I S2025 [11] Si n Y , et al , “ e esentati n Alignment Gene ati n: aining i si n ans me s Is asie an Y in ”, I L 2025 [12] Xingjian Leng, et al , “ A- : nl ing A n -t - n ning wit Latent i si n ans me s”, I 2025 [13] Ge W , et al , “ e esentati n ntanglement Gene ati n: aining i si n ans me s Is asie an Y in ,” a xiv e int, 2025 [14] S ai Wang et al , “ : e le i si n ans me ,” a xiv e int, 2025 [15] Nan e a, et al , “Si : x l ing l w an i si n-base Gene ative els wit S alable Inte lant ans me s,” 2024 [16] e Ka as, et al , “G i ing a i si n el wit a a e si n Itsel ,” Ne I S2024 [17] wei en, et al , “Aligning is al n ati n n e s t enize s i si n els,” a xiv e int, 2025 [18] ian i i, et al , “ isi n n ati n els an e G enize s Latent i si n els”, a xiv e int, 2025 [19] ing G i, et al , “A a ting Sel -S e vise e esentati ns as a Latent S a e i ient Gene ati n,” a xiv e int, 2025 [20] inglei S i, et al , “Latent i si n el wit t a iati nal A t en e ”, a xiv e int, 2025 参考文献 25
27. Appendix 26
28. • RAEのEncoderには256ピクセル，Decoderには512を対応させることで， 高解像度画像生成におけるトークン数を削減可能 RAEを用いた効率的な高解像度画像生成 27 A e (small) t esize e nst ti n トークン数は256のまま (そのままなら1024) 256ピクセル用のLatent s a eで 学習した i をそのまま使える！ 若干精度は下がるが トークン数は4倍効率が良い 512 256 512
29. • DDT HeadはRAEのLatent spaceを使用した時に効果を発揮する • SD-VAEのLatent spaceの場合はむしろ劣化をもたらす Ablation study 1: DDT Head単体の効果検証 28 ea なし あり 〃 SD-VAE RAE Down↓ UP↑
30. • ea は高次元な空間である ixel s a eでも効果があるのか？ • ixel空間でも ea は改善をもたらす • ただし， A のLatent s a eと ixel s a eの間には大きな差が存在 Ablation study 2: DDT HeadをPixel spaceで検証 29 DDT Headなし あり 〃 UP↑ UP↑