Balancing Frequencies and Pixels in Flow Matching¶
会议: NeurIPS 2026
arXiv: 2609.02748
OpenReview: https://openreview.net/forum?id=bR1U2URUlk
领域: 图像生成
关键词: 流匹配、像素空间生成、频谱偏差、焦点对数频率损失、频域与像素域调度
一句话总结¶
针对像素空间流匹配模型因自然图像 \(1/f^2\) 功率谱分布而优先拟合低频、迟滞高频纹理学习的频谱偏差问题，本文提出将对数压缩频域残差与最大残差归一化结合的焦点对数频率损失（\(\bm{f}\)-loss），并通过 Sigmoid 调度在训练早期强调频域均衡、后期平滑切换至像素空间 \(\bm{v}\)-loss 精修相位与边缘（合称 \(\bm{fv}\)-loss），在零架构改动下将收敛速度提升最高达 40%，并在 ImageNet \(256\times 256\) 上以 500k 步取得 1.83 FID 与 323.4 IS 的领先性能。
研究背景与动机¶
自然图像在空间域与频域具有天然的互补性：大尺度的平滑轮廓由低频分量决定，而决定视觉真实感与清晰度的精细边缘、表面纹理（如虎斑条纹、茅草屋顶的秸秆、编织手套的针脚）则稀疏地分布在高频频段。统计规律表明，自然图像的功率谱近似服从 \(1/f^2\) 衰减分布，即绝大部分信号能量集中在低频区域，高频分量虽然在人类视觉感知质量中占据主导地位，但其绝对能量占比极低。以 JiT、PixelFlow、DeCo、PixelDiT 等为代表的现代像素空间流匹配（Flow Matching）生成模型，为了避开高维像素空间中直接回归速度场或噪声的崩溃问题，通常采用直接预测干净图像（\(\bm{x}\)-prediction）的重参数化速度损失（\(\bm{v}\)-loss）。然而，这类空间域逐像素平方误差对所有空间位置一视同仁，导致训练梯度被能量占绝对优势的低频残差所统治，模型在优化早期严重偏向低频全局结构，而精细高频纹理的学习被大幅推迟甚至永久受损。
要消除这种频谱失衡，现有频率感知生成方法往往诉诸复杂的外部干预：要么在推理采样阶段做后验频段重加权（如 FreeU、FouriScale），要么设计多尺度级联时间步或双分支频域解耦架构（如 Relay Diffusion、DeCo、DDT）。然而，本文的频谱诊断实验揭示了一个更本质的优化矛盾：一方面，纯空间域的 \(\bm{v}\)-loss 在训练早期低估高频功率最高达 60%（接近奈奎斯特频率处）、高估中低频约 20%，使模型早期损失了高频表征容量；另一方面，如果在整个训练周期单纯依赖频域幅度监督，由于频域幅度损失对相位（Phase）不敏感，无法将锐利边缘和纹理严格锁定到精确的像素空间坐标上，模型在训练中后期会陷入性能平台期，最终被具备精确空间局部相干性约束的 \(\bm{v}\)-loss 反超。
因此，生成模型真正需要的不是用频域损失彻底取代像素损失，也不是叠床架屋地修改网络骨干，而是让训练目标顺应模型在不同训练阶段的演化需求。核心 idea：提出一种无需任何网络架构改动的即插即用联合训练目标 \(\bm{fv}\)-loss，先通过结合对数残差压缩与最大残差自适应归一化的焦点对数频率损失（\(\bm{f}\)-loss）在训练早期拉平不同倍频程的梯度权重以快速消除低频偏差，再在频域与像素域验证曲线交叉点处通过 Sigmoid 调度平滑切换回标准像素空间 \(\bm{v}\)-loss 进行空间相位对齐与局部细节精修。
方法详解¶
整体框架¶
本文方法直接作用于像素空间流匹配模型的训练目标，不改变底层 Transformer 骨干（如 JiT 或 PixelDiT）与推理采样流程。给定线性插值加噪样本 \(\bm{x}_t = (1-t)\bm{\epsilon} + t\bm{x}_1\)，网络直接预测去噪图像 \(\bm{x}_\theta(\bm{x}_t, t)\)；随后双路计算像素空间重参数化速度损失 \(\mathcal{L}_{\bm{v}}\) 与二维离散傅里叶变换（2D DFT）下的焦点对数频率损失 \(\mathcal{L}_{\bm{f}}\)，最后依据训练步数 \(s\) 的动态 Sigmoid 课程权重合成总损失 \(\mathcal{L}_{\bm{fv}}\) 进行反向传播。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["加噪像素图像 x_t 与时间步 t<br/>x_t = (1-t)ε + t·x_1"] --> B["频域偏差诊断与像素预测重参数化<br/>网络直接输出去噪图像 x_θ(x_t, t)"]
B -->|2D DFT 频谱变换| C["焦点对数频率损失（f-loss）<br/>对数压缩频谱残差 + 最大残差自适应归一化"]
B -->|空间域逐像素残差| D["标准像素速度损失（v-loss）<br/>时间步加权 (1-t)^(-2) 约束空间相位对齐"]
C --> E["频域到像素域动态课程调度（fv-loss）<br/>以交叉步数 s* 为中心由频域平滑切换至像素域"]
D --> E
E --> F["更新流匹配生成模型参数 θ"]关键设计¶
1. 频域偏差诊断与像素预测重参数化：揭示像素流匹配早期的低频过拟合与高频缺失
在高维像素空间直接训练流匹配模型时，传统的速度场预测（\(\bm{v}\)-prediction）或噪声预测（\(\bm{\epsilon}\)-prediction）极易因模型处于欠计算（Under-compute）状态、无法分离满秩噪声分量而训练失败。为此，本文沿用 JiT 的像素预测重参数化方案，利用线性插值下真实速度场 \(\bm{v} = (\bm{x}_1 - \bm{x}_t)/(1-t)\) 与预测速度场 \(\bm{v}_\theta = (\bm{x}_\theta - \bm{x}_t)/(1-t)\) 的关系，将标准流匹配目标重写为带时间步权重的干净图像回归损失（称为 \(\bm{v}\)-loss）：
尽管这一重参数化让模型直接向低维数据流形投影从而稳定了训练，但作者通过径向平均功率谱分析与双频率合成玩具实验发现，\(\mathcal{L}_{\bm{v}}\) 存在严重的频谱偏差（Spectral Bias）：在 ImageNet 上训练的模型对低于 \(10^{-1}\text{ cycles/pixel}\) 的中低频能量高估达 20%，而对高于 \(8\times 10^{-1}\text{ cycles/pixel}\) 的高频能量低估近 60%；在仅含一个低频环和一个高频环的 MLP 玩具实验中，\(\mathcal{L}_{\bm{v}}\) 迅速收敛出低频结构，却在整个训练周期内难以恢复高频分量。其根源在于自然图像遵循 \(1/f^2\) 能量分布，空间域均方误差被高能量的低频残差数值淹没，且早期过度聚焦低频会不可逆地挤占模型在后续阶段生成高频纹理的容量。
2. 焦点对数频率损失（f-loss）：以连续拉普拉斯金字塔视角均衡全频段学习信号
为了在训练早期打破 \(1/f^2\) 能量分布带来的低频垄断，本文对预测图像 \(\bm{x}_\theta\) 和真实图像 \(\bm{x}_1\) 分别做二维离散傅里叶变换得到 \(\mathcal{F}_{\text{pred}}\) 与 \(\mathcal{F}_{\text{target}}\)，记频域坐标 \((u,v)\) 处的复数幅度残差为 \(e_{u,v} = |\mathcal{F}_{\text{pred}}(u,v) - \mathcal{F}_{\text{target}}(u,v)|\)，并提出焦点对数频率损失（Focal Log-Frequency Loss，简称 \(\bm{f}\)-loss）：
该公式由三项精密配合的机制构成：第一，保留与 \(\bm{v}\)-loss 完全一致的时间步权重 \(\frac{1}{(1-t)^2}\)，确保不同去噪时间步上的梯度动态与原流匹配框架兼容；第二，引入对数压缩项 \(\log(1 + e_{u,v})\)，这与直接对原始幅度误差加权的传统 Focal Frequency Loss 有本质区别——作者在理论上证明该对数映射等价于无限频带的连续拉普拉斯金字塔（Continuous Laplacian Pyramid）分解，它将呈指数级跨越的频谱能量尺度线性化，使得频率每翻一倍（每一个倍频程 Octave）在总损失中获得同等的几何结构权重，防止极少数高能量低频残差独占梯度；第三，引入停止梯度（Stop-gradient）计算的自适应焦点权重 \(\frac{e_{u,v}}{\max_{u',v'} e_{u',v'}}\)，在每个训练步内按单样本频谱的最大残差做动态归一化，既消除了不同样本间的幅值剧烈波动，又持续将学习信号聚焦于当前尚未拟合好的困难频段。
3. 频域到像素域动态课程调度（fv-loss）：结合早期快速频谱对齐与后期空间相位精修
实验表明，单独使用 \(\bm{f}\)-loss 虽能在早期迅速压低高低频段幅度误差并生成丰富纹理（如虎纹与编织图案），但在训练中后期会出现性能饱和并被 \(\bm{v}\)-loss 反超。这是因为 \(\bm{f}\)-loss 仅约束傅里叶频谱的幅度残差 \(e_{u,v}\)，对决定边缘和纹理精确空间落点的相位信息不够敏感；而直接监督像素值的 \(\bm{v}\)-loss 更擅长强制局部空间相干性与相位锁定。为此，本文将两者结合为动态调度的联合目标 \(\bm{fv}\)-loss：
其中 \(s\) 为当前训练步数，\(\lambda(s)\) 是一个以交叉步数 \(s^\star\) 为中心、从 1 平滑衰减到 0 的 Sigmoid 调度函数。对于切换点 \(s^\star\) 的选取，本文无需网格搜索，而是遵循简单的验证集交叉点准则（Crossing-point Rule）：在留出验证集上观测纯 \(\bm{f}\)-loss 与纯 \(\bm{v}\)-loss 的 FID 收敛曲线交点（对于 B 和 L 模型约为 200k 步，对于 XL 模型约为 350k 步），直接将该交点设为 \(s^\star\)。这样模型在训练前半段由 \(\bm{f}\)-loss 主导以快速建立全频段结构表征，后半段平滑移交至 \(\bm{v}\)-loss 进行空间像素级微调。
损失函数 / 训练策略¶
- 模型骨干与预测参数化：默认基于 JiT 架构（B/16、L/16、XL/16 用于 \(256\times 256\) 分辨率，B/32、L/32 用于 \(512\times 512\) 分辨率，瓶颈维度 128，包含 32 个上下文类别 Token），采用 \(\bm{x}\)-prediction 参数化；为防止 \(t \to 1\) 时分母爆炸，公式中除法项 \((1-t)\) 的下界裁剪（Clip）设为 \(0.05\)。
- 优化器与训练超参：使用 AdamW 优化器（\(\beta_1 = 0.9, \beta_2 = 0.95\)，权重衰减 \(0\)），全局批大小 1024，经过 5 个 Epoch 线性预热后保持常数学习率 \(2\times 10^{-4}\)，EMA 衰减率 \(0.9999\)，CFG 类别标签丢弃率 \(0.1\)。
- 时间步采样与推理采样：训练时时间步 \(t\) 采用对数正态分布采样 \(\text{logit}(t) \sim \mathcal{N}(-0.8, 0.8^2)\)，噪声缩放系数为 \(1.0 \times \text{image\_size} / 256\)；推理时采用二阶 Heun ODE 求解器进行 50 步采样（时间步在 \([0.0, 1.0]\) 均匀划分），并可无缝叠加 REPA 特征对齐损失与感知损失（Perceptual Loss）。
实验关键数据¶
主实验¶
表 1 展示了在 ImageNet \(256\times 256\) 类别条件生成基准上，\(\bm{fv}\)-loss 与当前最先进的像素空间扩散/流匹配模型（均使用 XL 规模骨干）的对比结果：
| 方法 | 模型规模 | REPA 对齐 | 感知损失 | 训练步数 | FID \(\downarrow\) | IS \(\uparrow\) |
|---|---|---|---|---|---|---|
| JiT-XL/16 (Baseline) | XL/16 | ✗ | ✗ | 750k | 2.21 | 297.4 |
| Ours (\(\bm{fv}\)-loss) | XL/16 | ✗ | ✗ | 750k | 2.13 | 290.3 |
| EPG (ICLR 2026) | XL/16 | ✓ | ✗ | 1000k | 2.04 | 283.2 |
| PixelFlow (2025) | XL/4 | ✓ | ✗ | 1600k | 1.98 | 282.1 |
| DiP (CVPR 2026) | XL/16 | ✓ | ✗ | 1600k | 1.98 | 282.9 |
| PixNerd (ICLR 2026) | XL/16 | ✓ | ✗ | 1600k | 1.95 | 298.0 |
| DeCo (CVPR 2026) | XL/16 | ✓ | ✗ | 1600k | 1.90 | 303.0 |
| Ours (\(\bm{fv}\)-loss + REPA) | XL/16 | ✓ | ✗ | 750k | 1.87 | 301.0 |
| PixelGen (2026) | XL/16 | ✓ | ✓ | 800k | 1.83 | 293.6 |
| Ours (\(\bm{fv}\)-loss + REPA + Perceptual) | XL/16 | ✓ | ✓ | 500k | 1.83 | 323.4 |
表 2 展示了不同模型规模（JiT-B 与 JiT-L）在 \(256\times 256\) 和 \(512\times 512\) 分辨率下跨训练周期的收敛动态对比：
| 分辨率与模型 | 训练轮数 | 损失函数 | FID (w/o CFG) \(\downarrow\) | FID (CFG) \(\downarrow\) | FDD (CFG) \(\downarrow\) | IS (CFG) \(\uparrow\) |
|---|---|---|---|---|---|---|
| \(256^2\) JiT-B/16 | Epoch 80 | \(\bm{v}\)-loss / \(\bm{f}\)-loss / \(\bm{fv}\)-loss | 46.02 / 42.34 / 42.63 | 8.44 / 6.82 / 7.05 | 369.3 / 312.0 / 314.0 | 162.8 / 186.6 / 185.2 |
| \(256^2\) JiT-B/16 | Epoch 320 | \(\bm{v}\)-loss / \(\bm{f}\)-loss / \(\bm{fv}\)-loss | 28.70 / 27.51 / 26.86 | 4.11 / 4.23 / 3.95 | 192.2 / 170.4 / 178.8 | 273.9 / 275.2 / 282.6 |
| \(256^2\) JiT-L/16 | Epoch 80 | \(\bm{v}\)-loss / \(\bm{f}\)-loss / \(\bm{fv}\)-loss | 26.90 / 20.24 / 19.47 | 5.40 / 4.34 / 3.93 | 264.2 / 185.8 / 178.6 | 200.0 / 237.3 / 247.9 |
| \(256^2\) JiT-L/16 | Epoch 320 | \(\bm{v}\)-loss / \(\bm{f}\)-loss / \(\bm{fv}\)-loss | 14.46 / 13.26 / 12.93 | 2.63 / 2.58 / 2.55 | 133.7 / 115.2 / 113.7 | 292.7 / 287.5 / 303.4 |
| \(512^2\) JiT-L/32 | Epoch 80 | \(\bm{v}\)-loss / \(\bm{f}\)-loss / \(\bm{fv}\)-loss | 29.04 / 22.91 / 21.64 | 6.41 / 4.65 / 4.58 | 746.4 / 689.5 / 681.9 | 228.2 / 237.0 / 196.9 |
| \(512^2\) JiT-L/32 | Epoch 320 | \(\bm{v}\)-loss / \(\bm{f}\)-loss / \(\bm{fv}\)-loss | 15.85 / 15.28 / 14.30 | 2.90 / 3.04 / 2.73 | 639.8 / 619.5 / 620.2 | 294.6 / 282.4 / 312.1 |
消融实验¶
表 3 汇总了在 JiT-B/16（\(256\times 256\)）上针对 \(\bm{f}\)-loss 核心组件（表 6）以及 \(\bm{fv}\)-loss 课程调度权重（表 3）与跨架构泛化性（表 4，PixelDiT）的消融实验：
| 消融维度 | 具体配置 | 早期指标 (Epoch 80 / Step 200k) | 后期指标 (Epoch 320 / Step 600k) | 关键结论说明 |
|---|---|---|---|---|
| \(\bm{f}\)-loss 组件消融 (表 6) | 原始 Focal Frequency Loss [23]（无 \(\log\) 压缩） | - | FID (w/o / w/ CFG): 72.80 / 19.24 | 未压缩幅度残差时被极值主导，严重劣于本文设计 |
| \(\bm{f}\)-loss 组件消融 (表 6) | 仅未加权幅度误差（\(w_{u,v}=1\)，无 \(\log\)） | - | FID (w/o / w/ CFG): 50.12 / 12.67 | 缺乏频谱自适应重加权与对数线性化 |
| \(\bm{f}\)-loss 组件消融 (表 6) | 对数归一化权重 + \(\log(1+e_{u,v})\) | - | FID (w/o / w/ CFG): 44.40 / 7.42 | 引入 \(\log\) 压缩与归一化后性能大幅跃升 |
| \(\bm{f}\)-loss 组件消融 (表 6) | 完整 \(\bm{f}\)-loss：\(e_{u,v}/\max e + \log(1+e_{u,v})\) | - | FID (w/o / w/ CFG): 41.78 / 6.39 | 最大残差归一化配合对数残差取得最优频域均衡 |
| 调度权重消融 (表 3) | 纯 \(\bm{f}\)-loss (\(w_f=1, w_v=0\)) vs 纯 \(\bm{v}\)-loss (\(w_f=0, w_v=1\)) | FID: 6.82 vs 8.44 | FID: 4.23 vs 4.11 | \(\bm{f}\)-loss 早期收敛显著更快，\(\bm{v}\)-loss 后期精修更优 |
| 调度权重消融 (表 3) | 静态混合 (\(w_f=1, w_v=1\)) | FID: 7.04 | FID: 4.05 (IS: 274.85) | 静态相加优于单一损失，但不如动态课程切换 |
| 调度权重消融 (表 3) | 反向 Sigmoid (\(w_f=1-\lambda(s), w_v=\lambda(s)\)) | FID: 8.52 | FID: 4.30 (IS: 265.90) | 先像素后频域表现最差，证实频域均衡必须在早期介入 |
| 调度权重消融 (表 3) | 正向 Sigmoid (\(\bm{fv}\)-loss, \(w_f=\lambda(s), w_v=1-\lambda(s)\)) | FID: 7.05 | FID: 3.95 (IS: 282.58) | 兼顾早期快速频谱学习与后期像素级空间细化 |
| 跨架构泛化 (表 4) | PixelDiT + \(\bm{v}\)-loss (复现) vs PixelDiT + \(\bm{fv}\)-loss | Step 200k FID: 15.09 vs 10.18 | Step 600k FID: 10.25 vs 5.92 | 在带 REPA 的 PixelDiT 上同样取得约 \(2\times\) 收敛加速 |
关键发现¶
- 对数压缩与最大残差归一化缺一不可：直接照搬图像重建领域的原始 Focal Frequency Loss（无 \(\log(1+e_{u,v})\) 压缩）在无引导下 FID 高达 72.80，加上对数压缩与最大残差归一化后骤降至 41.78（CFG=3.5 下从 19.24 降至 6.39）。连续频域（\(\infty\) 频带）也显著优于 \(2\times 4\) 或 \(4\times 4\) 的离散频带划分（FID 从 47.48、43.79 进一步降至 41.78）。
- 课程顺序不可逆转：反向 Sigmoid 调度（先 \(\bm{v}\)-loss 后 \(\bm{f}\)-loss）在 Epoch 320 的 FID 恶化至 4.30（IS 降至 265.9），比纯 \(\bm{v}\)-loss（4.11）还差，证明一旦模型在早期因像素损失陷入低频偏差，后期再施加频域监督已无法挽回高频表征容量。
- 真实挂钟时间（Wall-clock）净收益显著：由于计算 2D FFT 和双损失反传，训练 JiT-B 400k 步时 \(\bm{f}\)-loss 和 \(\bm{fv}\)-loss 分别带来 \(+4\%\)（453.1 分钟 vs 432.0 分钟）和 \(+14\%\)（492.3 分钟）的单步耗时开销；但在挂钟时间到达 200 分钟后，\(\bm{fv}\)-loss 的 FID 全面反超 \(\bm{v}\)-loss，300 分钟后收敛加速收益远超计算开销。在结合 REPA 时，仅用不到一半训练步数（750k vs 1600k）即超越需要专门频域解耦架构的 DeCo（FID 1.87 vs 1.90）。
亮点与洞察¶
- 把频谱偏差从“架构缺陷”重新定义为“优化目标失衡”：此前工作（如 DeCo、PixNerd）普遍认为像素扩散模型难以生成高频细节是因为网络架构缺乏多尺度或频域分支；本文通过玩具实验和功率谱分析犀利指出，病根在于自然图像 \(1/f^2\) 能量分布使空间均方误差被低频残差统治，仅靠改写损失函数就能在不碰网络结构的前提下达到甚至超越复杂架构改动的收益。
- 连续拉普拉斯金字塔的对数频域诠释非常巧妙：将 \(\log(1 + e_{u,v})\) 解释为无显式分支的连续拉普拉斯金字塔，使得每个倍频程获得相同的结构重要性，既避免了传统 Focal Frequency Loss 因大残差平方项导致的训练不稳定，又省去了多尺度图像金字塔繁琐的下采样与分支构建。
- “先频域定纹理结构、后像素域锁空间相位”的互补视角具有普适启发性：明确剖析了傅里叶幅度监督对相位不敏感导致后期饱和的机理，这一两阶段课程调度思路可直接迁移到超分辨率、视频流匹配生成、3D 神经场渲染等同样面临高频纹理模糊与边缘相位对齐矛盾的连续生成任务中。
局限与展望¶
- 理论机理与潜空间（Latent Space）迁移尚不完备：作者承认目前对为何纯 \(\bm{f}\)-loss 在后期必然饱和、以及像素空间低频偏差形成的深层优化动力学仍停留在经验假设层面；此外，在附录 B.3 的潜空间 SiT-B 探索实验中，由于 VAE 编码器已滤除大量像素级高频信息，且计算 FFT 要求将 SiT 从原本更优的 \(\bm{v}\)-prediction 改为 \(\bm{x}\)-prediction，导致潜空间下即使 \(\bm{f}\)-loss（Epoch 80 FID 36.38）优于 \(\bm{v}\)-loss（41.35），两者仍未超过原生 \(\bm{v}\)-prediction 的 SiT 基线（FID 33）。
- 切换步数 \(s^\star\) 依赖经验交叉点观测：当前动态调度中心的确定需要先观察或预估独立运行 \(\bm{f}\)-loss 与 \(\bm{v}\)-loss 时的验证集 FID 交点（如 B/L 模型 200k 步、XL 模型 350k 步），在全新数据集或超大模型训练中若能改为基于实时梯度频谱信噪比或频带残差变化率的自适应在线切换，实用性将进一步提升。
- 显式引入相位监督的改进空间：既然 \(\bm{f}\)-loss 后期遭遇瓶颈是因为幅度残差忽略了复数频谱中的相位对齐，未来工作可以探索在频域损失中联合约束复数谱的实部/虚部或局部小波相位（Wavelet Phase），从而在单阶段内同时实现频谱能量均衡与空间边缘锁定。
相关工作与启发¶
- vs JiT (Back to Basics, Li & He 2025)：JiT 证明了在像素空间流匹配中采用 \(\bm{x}\)-prediction 重参数化的 \(\bm{v}\)-loss 可以脱离 VAE 直接训练高维图像生成模型，但仍受困于像素级 MSE 的低频偏差；本文完全保留 JiT 的网络架构与超参，仅将其训练目标升级为 \(\bm{fv}\)-loss，即在全模型尺度上实现显著的早期加速与最终 FID 提升。
- vs DeCo (Ma et al., CVPR 2026) & PixelDiT (Yu et al., 2025)：DeCo 与 PixelDiT 通过在 Transformer 中专门设计频率解耦模块或像素级结构改动来改善高频细节合成；本文证明无需任何架构层面的复杂解耦，仅在优化目标层面做先频域后像素域的动态平衡，就能以一半以下的训练步数（750k vs 1600k）击败 DeCo，且还能无缝叠加到 PixelDiT 上再提速 2 倍。
- vs Focal Frequency Loss (Jiang et al., ICCV 2021)：早期 FFL 直接对未压缩的频域幅度残差做幂次加权，在流匹配生成训练中极易被少数大残差频点支配（CFG=1.0 下 FID 劣至 72.80）；本文通过引入对数压缩 \(\log(1+e_{u,v})\) 实现连续倍频程均衡，并结合时间步加权与后期像素损失切换，成功将其改造为适用于现代像素流匹配的强力目标。
评分¶
- 新颖性: ⭐⭐⭐⭐ (切入点精准优雅，从连续拉普拉斯金字塔视角改良焦点频率损失并设计频域-像素域两阶段平滑课程，在零架构改动下解决了像素流匹配的频谱偏差顽疾)
- 实验充分度: ⭐⭐⭐⭐⭐ (涵盖双频率玩具实验、径向功率谱诊断、ImageNet 256/512 多尺度主实验、跨架构 PixelDiT 泛化、REPA/感知损失叠加、挂钟时间开销及潜空间迁移等全方位消融)
- 写作质量: ⭐⭐⭐⭐⭐ (故事线从自然图像 \(1/f^2\) 统计特性到频谱偏差诊断再到方法设计层层递进，图表直观且理论解释清晰透彻)
- 价值: ⭐⭐⭐⭐⭐ (作为纯损失层面的即插即用方案，代码改动极小却能稳定带来最高 40% 收敛加速与 SOTA 生成质量，对像素空间生成模型具有极高的实用价值)