U-JiT 抛弃 VAE：像素空间端到端视频生成在 Kinetics-600 达 SOTA

研究团队发布 U-JiT，一种不依赖视频自编码器（VAE）的视频生成架构，直接在像素空间训练并端到端优化，在 Kinetics-600 上达到 SOTA。该架构通过重新设计压缩环节，绕开传统“VAE 编码到潜空间、DiT 去噪、解码器重建”流程中的压缩与重建权衡。