

【论文阅读】Diffuse and Disperse: Image Generation with Representation Regularization
Dispersive Loss 的目标是让这些表示“彼此分散”,即互相“远离”。核心贡献:一个新的损失项:Dispersive Loss(发散损失),可以无缝加入现有的扩散模型训练流程中,几乎不带来额外开销。核心思想: 不用正负对比,不搞数据增强,用一种简单、无干扰的正则化方式(Dispersive Loss)让扩散模型学到更“分散”“有区分度”的中间特征,从而生成更清晰、更有细节的图像。目标: 让扩散模型在训练时,其 中间层的隐藏特征更加“分散”,即每个样本的表示更具区分性,而非“堆在一起”冗余。
