DeCo: Faster, sharper pixel diffusion by splitting frequencies

Kari Jaaskelainen

25 Nov 2025 — 1 min read

Meet DeCo, a new way to generate images directly in pixels - faster and sharper.

Instead of one big model juggling everything, DeCo splits the job by "frequencies": the Diffusion Transformer learns low-frequency stuff (overall shapes and colors), while a lightweight pixel decoder paints high-frequency details (edges and textures). Think bass vs treble, now tuned separately.

Better focus: A frequency-aware flow-matching loss emphasizes visually important signals and downplays noise.
Results: ImageNet FID 1.62 (256x256) and 2.22 (512x512) - closing the gap with latent diffusion. Their text-to-image model hits 0.86 on GenEval.
Open code: https://github.com/Zehong-Ma/DeCo

Takeaway: decoupling low-level details from global structure makes end-to-end pixel diffusion more efficient without sacrificing realism.

Paper: https://arxiv.org/abs/2511.19365v1

Paper: https://arxiv.org/abs/2511.19365v1

Register: https://www.AiFeta.com

#AI #Diffusion #ImageGeneration #ComputerVision #DeepLearning #OpenSource #Research #ImageNet

Read more

Tekoäly ei enää vain ehdota – se myös koettaa

Tekoäly ei enää vain ehdota – se myös koettaa

Kuvittele tutkija, joka esittää tietokoneelle väitteen: “Tämä rakenne voisi kestää kuumuutta paremmin.” Ennen vastaus olisi ollut viittauksia artikkeleihin ja arveluja. Nyt kone voi myös yrittää: se luonnostelee kokeen, simuloi atomien liikettä ja palaa perusteltuun arvioon – heti samassa istunnossa. Tämä on hienovarainen mutta merkittävä muutos. Vielä hiljattain kielimallipohjaiset tekoälyt olivat taitavia

Tekoäly alkaa opetella opettamaan itseään

Tekoäly alkaa opetella opettamaan itseään

Jos kone voi suunnitella ja kokeilla omat harjoitusohjelmansa, tekoälyn kehitys voi nopeutua – mutta samalla kasvaa tarve selittää, mitä se tekee ja miksi. Kuvittele, että opetat lapselle uuden pelin. Ensin kerrot säännöt, sitten kokeilette, teette virheitä, muutatte taktiikkaa ja palaatte aiempiin kokeiluihin oppiaksenne niistä. Näin ihminen yleensä oppii monimutkaisia asioita. Nyt

Tekoälyn selitys voi olla pieni mutta ratkaiseva – ja juuri siksi luotettavampi

Tekoälyn selitys voi olla pieni mutta ratkaiseva – ja juuri siksi luotettavampi

Uusi menetelmä lupaa vaihtaa suttuiset korostukset teräviin todisteisiin, jotta lääkärille näkyy täsmälleen se, mihin päätös perustui. Kuvittele rutiininen hetki sairaalassa: tietokone katsoo keuhkokuvaa, antaa tulokseksi “poikkeava” ja levittää kuvan päälle oranssin läiskän. Läiskä kertoo, että jossain siinä suunnassa oli jotain tärkeää. Mutta mitä tarkalleen? Onko ratkaisevaa pieni varjo kylkiluussa vai

Kaksi tekoälyä voi olla reilumpi kuin yksi

Kaksi tekoälyä voi olla reilumpi kuin yksi

Tutkijoiden simuloimassa päivystyksessä oikeudenmukaisuus syntyi neuvottelusta, ei yhdestä auktoriteetista. Se haastaa tavan, jolla tekoälyä on tähän asti arvioitu ja säädelty. Kuvittele ruuhkainen päivystysilta: paikkoja on liian vähän, potilaita liikaa. Yhden älykkään järjestelmän sijaan päätöksiä valmistelee kaksi tekoälyä. Ne käyvät muutaman kierroksen keskustelun siitä, kenelle hoito kuuluu ensin ja millä perusteilla.