**RepFusion：利用多模态先验在表征空间去噪**

_RepFusion: Leveraging Multimodal Priors for Denoising in Representation Space_

> 在大语言模型（LLM）通常仅用于文本编码的文本到图像（T2I）系统中，RepFusion 创新性地将预训练多模态大模型（MLLM）用作噪声表征编码器，将其输出作为扩散 Transformer 的条件信号。该方法利用了 MLLM 在语义结构化视觉表征空间中的强先验，在同等推理预算下，性能优于使用全新初始化去噪器的基线模型。实验表明，通过不断将演化中的噪声表征作为条件，可以有效利用测试时计算资源，为现代 T2I 系统提供了新思路。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-15 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.14700)