UDT：以数据自适应令牌缩减统一 U-Net 与扩散 Transformer

论文提出 UDT，以数据自适应令牌合并实现 U-Net 式下采样与上采样，同时保持 DiT 的令牌维度。作者报告称，ImageNet 256×256 上的 XL 模型无需 CFG，仅训练 40 个 epoch 即超过 SiT 训练 1400 个 epoch 的 7.9 FID；使用 CFG 后，SD-VAE 与 VA-VAE 配置分别达到 1.38 和 1.35 FID。