Есть ли преимущества у недавних пиксельных диффузионных моделей?

Вопрос из Reddit о практической пользе пиксельных диффузионных моделей по сравнению с латентными подходами, использующими VAE. Обсуждение касается архитектурных нюансов генерации изображений и эффективности декодирования.