何恺明团队新作：扩散模型可能被用错了

何恺明又一次返璞归真。

最新论文直接推翻扩散模型的主流玩法——不让模型预测噪声，而是直接画干净图。

如果你熟悉何恺明的作品，会发现这正是他创新的典型路径，不提出更复杂的架构，而是把问题拆回最初的样子，让模型做它最擅长的那件事。

实际上，扩散模型火了这么多年，架构越做越复杂，比如预测噪声、预测速度、对齐latent、堆tokenizer、加VAE、加perceptual loss……

但大家似乎忘了，扩散模型原本就是去噪模型。

现在这篇新论文把这件事重新摆上桌，既然叫denoising模型，那为什么不直接denoise？

于是，在ResNet、MAE等之后，何恺明团队又给出了一个“大道至简”的结论：扩散模型应该回到最初——直接预测图像。

扩散模型可能被用错了

当下的主流扩散模型，虽然设计思想以及名为“去噪”，但在训练时，神经网络预测的目标往往并不是干净的图像，而是噪声， 或者是一个混合了图像与噪声的速度场。

实际上，预测噪声和预测干净图差得很远。

根据流形假设，自然图像是分布在高维像素空间中的低维流形上的，是有规律可循的干净数据；而噪声则是均匀弥散在整个高维空间中的，不具备这种低维结构。

简单理解就是，把高维像素空间想象成一个巨大的3D房间，而干净的自然图像其实都挤在房间里的一块2D屏幕上。这就是流形假设——自然数据看着维度高，实则集中在一个低维的「曲面（流形）」上。

但噪声不一样。它是弥漫在整个3D房间里的雪花点，不在屏幕上；而速度场也一样，一半在屏上、一半在屏外，同样也脱离了「流形」的规律。

这就导致了一个核心矛盾，在处理高维数据时，例如将图像切分为16x16甚至32x32的大Patch，要求神经网络去拟合无规律的高维噪声，需要极大的模型容量来保留所有信息，这很容易导致模型训练崩溃。

而相反呢，如果让网络直接预测干净的图像，本质上就是让网络学习如何将噪点投影回低维流形，这对于网络容量的要求要低得多，也更符合神经网络“过滤噪声、保留信号”的原本设计。

于是，这篇文章提出了一个极简的架构JiT——Just image Transformers。

正如其名，这就是一个纯粹处理图像的Transformer，它的设计非常简单。没有像普遍的扩散模型一样使用VAE压缩潜空间，也没有设计任何Tokenizer，不需要CLIP或DINO等预训练特征的对齐，也不依赖任何额外的损失函数。

完全从像素开始，用一个纯粹Transformer去做denoise。

JiT就像一个标准的ViT，它将原始像素切成大Patch（维度可高达3072维甚至更高）直接输入，唯一的改动就是将输出目标设定为直接预测干净的图像块。

实验结果显示，在低维空间下，预测噪声和预测原图的表现难分伯仲；但一旦进入高维空间，传统的预测噪声模型彻底崩溃，FID（越低越优）指数级飙升，而直接预测原图JiT却依然稳健。

模型的扩展能力也很出色。即使将patch尺寸扩大到64x64，让输入维度高达一万多维，只要坚持预测原图，无需增加网络宽度也能实现高质量生成。

团队甚至发现，在输入端人为引入瓶颈层进行降维，不仅不会导致模型失效，反而因为契合了流形学习过滤噪声的本质，进一步提升了生成质量。

这种极简架构在不依赖任何复杂组件或预训练的情况下，在ImageNet 256x256和512x512上达到了1.82和1.78的SOTA级FID分数。

作者介绍

这篇论文的一作是何恺明的开门弟子之一黎天鸿，本科毕业于清华姚班，在MIT获得了硕博学位之后，目前在何恺明组内从事博士后研究。

他的主要研究方向是表征学习、生成模型以及两者之间的协同作用。目标是构建能够理解人类感知之外的世界的智能视觉系统。

此前曾作为一作和何恺明开发了自条件图像生成框架RCG，团队最新的多项研究中他也都有参与。

也可以说这是一位酷爱湖南菜的学者，把菜谱都展示在了自己的主页上。

论文地址：https://arxiv.org/abs/2511.13720

本文来自微信公众号“量子位”，作者：闻乐，36氪经授权发布。