资讯概览
Meta AI 研究团队公布 WaiT（Wavelet-aware Image Transformer），试图解决高分辨率生成中整体结构、局部细节与纹理质量难以同时兼顾的问题。传统 flow matching 往往在整个生成过程中同等处理所有空间频率，但高频纹理在噪声较强的早期阶段几乎无法区分。WaiT通过无损小波把图像分成粗结构与精细频带，让高频部分先保持噪声，等主体轮廓逐渐形成后再加入联合生成，因此名称也取自“等待信号”。
技术细节
研究团队认为常见FID会通过下采样忽略大量细节，因此增加从整体一致性、原生分辨率纹理和计算效率等角度评估的三轴方案。官方摘要称，WaiT在ImageNet 512×512上取得1.43的像素空间FID，并把采样计算最多降低约50%；20亿参数版本报告1.3的FID。相同方法还能扩展到更高分辨率图像与视频，在Kinetics-600上获得0.84的FVD。所有数值都应放在论文设定、数据集与比较方法中理解。
行业影响
频率分阶段生成符合图像从大轮廓到细节逐渐清晰的直觉，可能让像素空间模型在保持纹理的同时降低计算。若方法能在真实产品复现，图像和视频生成可减少采样成本，并改善织物、毛发、文字边缘等高频区域。不过学术指标不能完全代表人类偏好，也不能自动解决人物结构、提示遵循、版权与训练数据问题。跨数据集和长视频稳定性仍需要更多验证。
阅读与使用建议
研究者复现时应核对论文代码、训练预算、采样步数和评测分辨率，避免只比较单个FID。产品团队应在真实用户提示、不同画面类型和内容安全场景中测试，并同时评估速度、显存和失败样本。媒体引用“降低50%计算”时要说明这是特定采样设置下的最高结果。本文依据 Meta AI 官方研究摘要整理，不代表该技术已经进入商业产品。