Re-parameterization 和 stage1 的疑惑？

[shyshuai90]

感谢作者开源，有些疑问，希望能得到解答。
table4中stage1 做pixel dependency, 那这个阶段在完成Re-parameterization以后，有没有继续在Imagenet上训练呢？

按照Re-parameterization部分的说法，这个阶段的模型是直接将DiT（class-to-image）的权重以架构兼容的形式，对公共权重做复用或者
对特有权重（每个block的scale_shift_tabel）做重计算来对齐；这样做完以后，就直接进行stage2 text-image align的训练？

如果是这样的话，因为DiT是一个class-to-image的模型，而PAlpha是一个text-to-image 的模型，这两个模型的y_embedder 是不一样的，这部分是否进行的对齐？

还是说做完Re-parameterization之后，需要重新在ImageNet上训练，用text-to-image的模式在这个闭集上达到class-to-image的效果，让模型在(close set nouns)有一定的图片生成能力，然后继续后面各个阶段的refinement?

我倾向后者，不知理解是否到位，希望能得到作者和各位大佬的指正！