PixelDiT提出单阶段端到端像素空间扩散Transformer，无需VAE，采用补丁级和像素级双层架构，结合像素级AdaLN与Token压缩，高效建模全局语义和局部纹理。在ImageNet 256×256达1.61 FID，文生图GenEval 0.74，逼近潜空间模型，并避免VAE重建伪影，利于细节保留。