Des chercheurs d’Adobe Research restaurent les détails fins des images des modèles de diffusion en pixels
1 sourcemis à jour 30 sept.pertinence 3,0 sur5
L’essentiel
Le post-entraînement adversarial améliore la fidélité, la couverture, l’alignement au prompt et la qualité perçue sur deux modèles, sans changer l’architecture. L’effet est bien plus faible en diffusion latente.
Propagation1 article, publié par HF Daily Papers le 30 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceXin Lin, Zhifei Zhang, Yuqian Zhou et al.huggingface.co
Adversarial Training for Pixel Diffusion (site externe)
Pixel diffusion models can generate semantically strong images, yet often miss fine-scale natural image statistics.
Sur les mêmes thèmes
Recherche
Xiaomi publie MiMo-V2.6-Pro, un modèle open-weights omnimodal de 1 000 milliards de paramètres
Recherche
Xiaomi MiMo publie MiMo-V2.6-Distill-Qwen-9B, un modèle agentique de 9 milliards de paramètres
Recherche
Reflection dévoile Beam, un modèle d’IA de 501 milliards de paramètres
Recherche
OpenAI publie 722 manuscrits de mathématiques issus d’un modèle interne non diffusé
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5