生成建模与扩散
突破级
暂无讲解视频
收录解读
RankE 针对 discrete text-to-image generation 的后训练问题：如果只优化离散 token 生成器，decoder 的表达边界会限制最终图像质量和偏好对齐。
论文提出 decoder co-evolution，让后训练同时影响离散生成和解码路径，形成更端到端的偏好优化流程。
这对离散视觉 tokenizer、图像生成后训练和多模态生成架构都有溢出，因为它把 decoder 从固定后处理模块提升为可共同优化对象。
它值得正式收录，因为它改变了离散 T2I 后训练的优化边界，是生成模型系统中可复用的训练范式。