抑制 Diffusion Transformers 中的离群 token

研究揭示，现代 RAE-DiT 图像生成流程中，预训练 ViT 编码器和 DiT 去噪器都会产生高范数离群 token，后者尤其出现在中间层。这类 token 会吸引过多注意力却携带有限局部信息，此前在生成模型中的作用尚未被充分探索。