Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction

自回归模型 比例(比率) 计算机科学 可扩展性 图像(数学) 星型 人工智能 计量经济学 自回归积分移动平均 机器学习 数学 时间序列 地图学 地理 操作系统
作者
Keyu Tian,Yi Jiang,Zehuan Yuan,Bingyue Peng,Liwei Wang
出处
期刊:Cornell University - arXiv
标识
DOI:10.48550/arxiv.2404.02905
摘要

We present Visual AutoRegressive modeling (VAR), a new generation paradigm that redefines the autoregressive learning on images as coarse-to-fine "next-scale prediction" or "next-resolution prediction", diverging from the standard raster-scan "next-token prediction". This simple, intuitive methodology allows autoregressive (AR) transformers to learn visual distributions fast and generalize well: VAR, for the first time, makes AR models surpass diffusion transformers in image generation. On ImageNet 256x256 benchmark, VAR significantly improve AR baseline by improving Frechet inception distance (FID) from 18.65 to 1.80, inception score (IS) from 80.4 to 356.4, with around 20x faster inference speed. It is also empirically verified that VAR outperforms the Diffusion Transformer (DiT) in multiple dimensions including image quality, inference speed, data efficiency, and scalability. Scaling up VAR models exhibits clear power-law scaling laws similar to those observed in LLMs, with linear correlation coefficients near -0.998 as solid evidence. VAR further showcases zero-shot generalization ability in downstream tasks including image in-painting, out-painting, and editing. These results suggest VAR has initially emulated the two important properties of LLMs: Scaling Laws and zero-shot task generalization. We have released all models and codes to promote the exploration of AR/VAR models for visual generation and unified learning.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
lwj完成签到,获得积分10
2秒前
蜗牛完成签到,获得积分10
2秒前
不配.应助李能能采纳,获得20
4秒前
4秒前
7秒前
t东流水完成签到,获得积分10
9秒前
10秒前
小泌完成签到,获得积分10
11秒前
不配.应助cyw9608采纳,获得20
11秒前
15秒前
15秒前
zhangpeng完成签到,获得积分10
16秒前
hanhan完成签到,获得积分10
17秒前
章念波发布了新的文献求助10
18秒前
Wk应助苏苏苏采纳,获得10
19秒前
20秒前
化工牛马人完成签到,获得积分20
21秒前
22秒前
22秒前
gwenjing发布了新的文献求助10
23秒前
Minerva完成签到,获得积分20
26秒前
0029发布了新的文献求助10
28秒前
希望天下0贩的0应助何求采纳,获得10
28秒前
smallant完成签到,获得积分10
29秒前
QSJ完成签到,获得积分10
30秒前
可爱的函函应助Minerva采纳,获得10
31秒前
骐骥过隙完成签到 ,获得积分10
31秒前
32秒前
32秒前
33秒前
kyJYbs完成签到,获得积分10
34秒前
37秒前
段落落完成签到 ,获得积分10
38秒前
俏皮的以晴完成签到,获得积分10
40秒前
szk完成签到,获得积分10
40秒前
乾清宫喝奶茶完成签到,获得积分10
40秒前
sidegate应助害羞的盼海采纳,获得10
41秒前
面条发布了新的文献求助10
42秒前
xiaojcom应助圆圆的波仔采纳,获得10
42秒前
小马甲应助顺利的小伙采纳,获得10
43秒前
高分求助中
Evolution 3rd edition 1500
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
2-Acetyl-1-pyrroline: an important aroma component of cooked rice 500
Ribozymes and aptamers in the RNA world, and in synthetic biology 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3180770
求助须知:如何正确求助?哪些是违规求助? 2830996
关于积分的说明 7982474
捐赠科研通 2492854
什么是DOI,文献DOI怎么找? 1329874
科研通“疑难数据库(出版商)”最低求助积分说明 635802
版权声明 602954