鱼羊发自凹非寺
量子位公众号 QbitAI
北大和字节联手搞了个大的：
提出图像生成新范式，从预测下一个 token 变成预测下一级分辨率，效果超越 Sora 核心组件 Diffusion Transformer（DiT）。
并且代码开源，短短几天已经揽下 1.3k 标星，登上 GitHub 趋势榜。
具体是个什么效果？
实验数据上，这个名为 VAR（Visual Autoregressive Modeling）的新方法不仅图像生成质量超过 DiT 等传统 SOTA，推理速度也提高了 20+ 倍。
这也是自回归模型首次在图像生成领域击败 DiT。
直观感受上，话不多说，直接看图：
值得一提的是，研究人员还在 VAR 上，观察到了大语言模型同款的 Scaling Laws 和零样本任务泛化。
论文代码上线，已经引发不少专业讨论。
有网友表示有被惊到，顿时觉得其他扩散架构的论文有点索然无味。
还有人认为，这是一种通向 Sora 的更便宜的潜在途径，计算成本可降低一个乃至多个数量级。
预测下一级分辨率
简单来说，VAR 的核心创新，就是用预测下一级分辨率，替代了预测下一个 token的传统自回归方法。
VAR 的训练分为两个阶段。
第一阶段，VAR 引入了多尺度离散表示，使用 VQ-VAE 将连续图像编码为一系列离散的 token map，每个 token map 有不同的分辨率。
第二阶段，主要是对 VAR Transformer 的训练，通过预测更高分辨率的图像，来进一步优化模型。具体过程是这样的：
从最低分辨率（比如1×1）的 token map 开始，预测下一级分辨率（比如4×4）的完整 token map，并以此类推，直到生成最高分辨率的 token map（比如 256×256）。在预测每个尺度的 token map 时，基于 Transformer，模型会考虑之前所有步骤生成的映射信息。
在第二阶段中，之前训练好的 VQ-VAE 模型发挥了重要作用：为 VAR 提供了“参考答案”。这能帮助 VAR 更准确地学习和预测图像。
另外，在每个尺度内，VAR 是并行地预测所有位置的 token，而不是线性逐个预测，这大大提高了生成效率。
研究人员指出，采用这样的方法，VAR 更符合人类视觉感知从整体到局部的特点，并能保留图像的空间局部性。
符合 Scaling Laws
从实验结果来看，在图像生成质量、推理速度、数据效率和可扩展性等方面，VAR 都超过了 DiT。
在 ImageNet 256×256 上，VAR 将 FID 从 18.65 降到了 1.8，IS 从 80.4 提高到 356.4，显著改善了自回归模型基线。
注：FID 越低，说明生成图像的质量和多样性越接近真实图像。
推理速度方面，相较于传统自回归模型，VAR 实现了约 20 倍的效率提升。而 DiT 消耗的时间是 VAR 的 45 倍。
数据效率方面，VAR 只需要 350 个训练周期（epoch），远少于 DiT-XL/2 的 1400 个。
可扩展性方面，研究人员观察到 VAR 有类似于大语言模型的 Scaling Laws：随着模型尺寸和计算资源的增加，模型性能持续提升。
另外，在图像修补、扩展和编辑等下游任务的零样本评估中，VAR 表现出了出色的泛化能力。
目前，在 GitHub 仓库中，推理示例、demo、模型权重和训练代码均已上线。
不过，在更多讨论之中，也有网友提出了一些问题：VAR 不如扩散模型灵活，并且在分辨率上存在扩展问题。
北大字节联合出品
VAR 的作者们，来自字节跳动 AI Lab 和北大王立威团队。
一作田柯宇，本科毕业自北航，目前是北大 CS 研究生，师从北京大学信息科学技术学院教授王立威。2021 年开始在字节 AI Lab 实习。
论文通讯作者，是字节跳动 AI Lab 研究员袁泽寰和王立威。
袁泽寰 2017 年博士毕业于南京大学，目前专注于计算机视觉和机器学习研究。王立威从事机器学习研究 20 余年，是首届“优青”获得者。
该项目的项目主管，是字节跳动广告生成 AI 研究主管 Yi jiang。他硕士毕业于浙江大学，目前的研究重点是视觉基础模型、深度生成模型和大语言模型。
参考链接：
[1]论文：https://arxiv.org/abs/2404.02905
[2]项目主页：https://github.com/FoundationVision/VAR
— 完 —
