# Transformer pikselowy o dwóch poziomach

EN: **Dual-level pixel diffusion transformer** · id `pixeldit` · aliases: PixelDiT, PiT head, pixel diffusion transformer, pixel transformer head

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Sieci i modele generatywne](https://aiatlasgraph.com/t/neural.md) › [Rodziny modeli generatywnych](https://aiatlasgraph.com/t/generative.md) › [Modele dyfuzyjne](https://aiatlasgraph.com/t/diffusion.md) › [Dyfuzja w przestrzeni pikseli](https://aiatlasgraph.com/t/pixeldiffusion.md) › Transformer pikselowy o dwóch poziomach

## Description

- PL: Jednofazowy transformer dyfuzyjny z poziomem łatki i poziomem piksela.
- EN: A single-stage diffusion transformer with a patch level and a pixel level.

## In one sentence

- PL: Jedna sieć uwagi ogarnia układ sceny, a druga dopracowuje fakturę pojedynczych punktów.
- EN: One attention network handles the scene layout, and another refines the texture of individual points.

## Problem it solves

- PL: Sam skrót obrazu gubi fakturę, a sama siatka punktów nie łapie układu sceny bez ogromnej uwagi.
- EN: An image code alone loses texture, and a point grid alone misses scene layout without huge attention.

## What it does

- PL: Poziom łatki ustala, co jest na obrazie, a poziom punktu dopisuje teksturę bez osobnego kompresora.
- EN: The patch level decides what is in the image, and the point level adds texture without a separate compressor.

## Everyday example

- PL: Ilustracja ma czytelną postać w tle i ostry wzór na tkaninie, bez etapu ściskania obrazu do kodu.
- EN: An illustration has a readable figure in the background and a sharp fabric pattern, without compressing the image to a code.

## This concerns you if you…

- PL: chcesz szczegóły bez stratnego skrótu obrazu
- PL: jeden poziom uwagi gubi albo układ, albo fakturę
- PL: dostrajasz generator pod ostre tekstury
- EN: want detail without a lossy image code
- EN: one attention level loses either layout or texture
- EN: you tune a generator for sharp textures

## Keywords

PixelDiT · pixel transformer · PiT head · dual-level DiT · patch-level diffusion · pixel-level refinement · text-to-image pixel diffusion

## How it works

- PL: Poziom łatki modeluje semantykę globalną, a głowica pikselowa dopracowuje lokalną teksturę w przestrzeni RGB. Dzięki temu trening nie wymaga autoenkodera ani osobnej straty rekonstrukcji. Osobna linia pokazuje, że taka głowica skaluje się do tekstu i obrazu, bez zysku na głębi i naprawie.
- EN: The patch level models global semantics, and a pixel head refines local texture in RGB space. Training therefore needs neither an autoencoder nor a separate reconstruction loss. A separate line shows that this head scales to text-to-image, without a gain on depth or restoration.

## Limits

- PL: Model nadal przetwarza gęstą siatkę pikseli i potrzebuje mechanizmów ograniczających koszt uwagi. Wyniki jakościowe pochodzą od autorów metody, a późniejsze badanie Iris-3B nie wykazało przewagi pikselowego prioru nad porównywalnym modelem latentnym w estymacji głębi ani rekonstrukcji DIV2K.
- EN: The model still processes a dense pixel grid and needs mechanisms that control attention cost. Quality results come from the method's authors, and the later Iris-3B study found no advantage for a pixel-space prior over a comparable latent model on depth estimation or DIV2K restoration.

## Key terms

- PL: **łatka**: Mały prostokąt obrazu traktowany jak jeden token uwagi.
- PL: **głowica pikselowa**: Końcowa część sieci, która dopracowuje kolory punktów.
- PL: **zadanie wtórne**: Inne zadanie niż rysowanie, na przykład głębia albo naprawa zdjęcia.
- EN: **patch**: A small image rectangle treated as one attention token.
- EN: **pixel head**: The final part of the network that refines point colours.
- EN: **downstream task**: A task other than drawing, such as depth or photo repair.

## Know first

- [Transformery w modelach dyfuzyjnych i przepływowych (DiT) (Transformers for diffusion and flow models (DiT))](https://aiatlasgraph.com/t/dit.md)
- [Autoenkodery wariacyjne (VAE) (Variational autoencoders (VAE))](https://aiatlasgraph.com/t/vae.md)

## Related topics

Untyped, symmetric "see also" links.

- [Transformery w modelach dyfuzyjnych i przepływowych (DiT) (Transformers for diffusion and flow models (DiT))](https://aiatlasgraph.com/t/dit.md)

## Sources

- [PixelDiT: Pixel Diffusion Transformers for Image Generation](<https://arxiv.org/abs/2511.20645>) `pixeldit-2025` · by Yongsheng Yu, Wei Xiong, Weili Nie, Yichen Sheng, Shiqiu Liu, Jiebo Luo · sponsored
- [Iris-3B: Going Beyond the Latent with Pixel-Space Diffusion Training, Conversion and Fine-Tuning](<https://arxiv.org/abs/2610.09450>) `iris3b-2026` · by Hanqiu Li Cai, Chema Garabito (SperidLabs) · sponsored

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/pixeldit · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30