Iris-3B：超越潜在空间的像素空间扩散训练、转换与微调

基于摘要分析。本文研究像素空间扩散模型绕过有损 VAE 后，是否能改善依赖细粒度信息的下游视觉任务，并通过从头预训练 Iris-3B 与转换已有潜在空间模型两条路线进行检验。作者报告，在所采用的单目深度估计及图像恢复/超分辨率微调协议下，像素空间生成先验未带来显著改善。 方法上，Iris-3B 是一个 3B 参数的像素空间文生图 transformer，采用 PixelDiT 的 pixel-transformer（PiT）头。作者先在 256² 分辨率下对预测目标与表征对齐进行消融，再采用 256→512→1024 的分辨率课程从头预训练；另一条路线将预训练的 FLUX.2 Klein base 4B 从潜在空间转换到像素空间。摘要未说明预测目标、对齐机制及转换过程的具体实现。 作者报告，在采用同一套匹配的直接回归微调方案进行单目深度估计时，Iris-3B 与潜在空间 FLUX.2 Klein 表现相当，转换后的像素空间 FLUX.2 Klein 则落后。在 DIV2K 的 4× 图像恢复任务中，两种像素空间模型均未超过潜在空间 FLUX.2 Klein 的微调版本，转换模型略逊。摘要未提供指标数值、数据划分或统计检验细节，因此不能将“未显著改善”扩大为所有像素空间方法均无优势。 生成能力方面，作者报告，采用 PiT 头的像素空间预训练可扩展至 3B 参数；在 1024² 分辨率、OneIG 官方评估器下，Iris-3B 的文生图表现与 Qwen-Image 相当。该结果与下游任务的负面结果属于不同评估，不能相互替代。作者表示发布模型权重与训练代码，但其可获取性及复现条件尚未核验。 全文中的训练数据、实验协议、消融结果、统计信息及作者讨论的失败模式与残余混杂因素尚未验证。本文主要研究图像生成与视觉任务，不提供 EEG/BCI 有效性的直接证据，也不足以据此提出具体迁移方案。