HoLo-FuSe демонстрирует, что замороженный HSL-субстрат (HoLo Semantic Layer) с нулевыми параметрами может эффективно управлять диффузионной моделью при генерации изображений. Проект проверяет, может ли этот детерминированный 27-мерный фрейм признаков служить механизмом условия для DDPM с условием по классу, заменяя традиционные обучаемые эмбеддинги.
- Обучен на одном Colab T4 с ~35M параметров U-Net в течение 16k шагов при разрешении 128px.
- Используется датасет AFHQ с лицами животных (Кот/Собака) с классификатором без руководства и косинусным расписанием.
- Качественные результаты, сопоставленные по семени, показывают, что условие HSL работает сравнимо с управлением через обучаемый эмбеддинг, сопоставленный по бюджету.
- Оттенок фонового цвета, наблюдаемый во всех ветвях, объясняется недообучением, а не самим субстратом.
Авторы считают это доказательством работоспособности, устанавливая, что замороженный субстрат может направлять генерацию классов так же хорошо, как и обучаемые контроллеры, при этом будущая работа сосредоточена на улучшении качества за счет более длительного обучения.