RaPD：通过语义丰富的隐式表示实现与分辨率无关的像素扩散

自然图像是连续的，但大多数生成模型在离散网格上合成它们，限制了分辨率灵活的生成。连续神经场可以实现无分辨率渲染，但现有方法仅在解码阶段作为插值模块引入连续性，从而使生成潜在空间离散化并面向重建。我们提出 RaPD（与分辨率无关的像素扩散），它在连续的神经图像场（NIF）潜在空间中进行扩散。 RaPD 通过用于代感知潜在学习的语义表示指导和用于坐标条件、比例感知渲染的坐标查询注意力渲染器来弥补这种重建代差距。通过仅更改查询坐标，可以以任意分辨率渲染单个去噪潜伏，保持扩散成本固定。实验证明了卓越的生成质量和分辨率可扩展性。