FiT

灵活视觉变换器（FiT）是一种全新的Transformer架构图像生成模型，专门设计用于创造没有分辨率和宽高比限制的图像。相较于传统将图像视为固定分辨率网格的方法，FiT将图像视为一系列可变大小的图像块（Token）。这种独特的处理方式使得FiT能够在训练和应用过程中灵活适应不同的图像宽高比，提高了对不同分辨率的适应能力，并避免了由于裁剪图像而产生的偏差。