Translations:Diffusion Models Are Real-Time Game Engines/36/zh

Stable Diffusion v1.4 的预训练自动编码器将 8x8 像素块压缩为 4 个潜通道，在预测游戏帧时会导致有意义的伪影，影响小细节，尤其是底栏 HUD（“抬头显示”）。为了在提高图像质量的同时利用预训练的知识，我们仅使用针对目标帧像素计算的 MSE 损失来训练潜在自动编码器的解码器。使用 LPIPS（Zhang 等人（2018））等感知损失可能会进一步提高质量，我们将其留待未来工作中研究。重要的是，请注意这个微调过程完全独立于 U-Net 微调过程，而且自回归生成不受其影响（我们仅对潜变量自回归地进行条件设置，而非像素）。附录 A.2 展示了对自动编码器进行微调和不进行微调的生成示例。