高效且高能的掩码图像生成模型
计算机视觉与模式识别
2026-03-03 v3 机器学习
摘要
尽管掩码图像生成模型和掩码扩散模型的设计动机和目标不同，我们观察到它们可以统一在一个单一框架内。基于这一洞察，我们仔细探索了训练和采样的设计空间，确定了影响性能和效率的关键因素。基于在此次探索中观察到的改进，我们开发了我们的模型，称为 \textbf{eMIGM}。根据经验，以 Fréchet Inception Distance (FID) 为衡量标准，eMIGM 在 ImageNet 生成任务上表现出强大的性能。特别是在 ImageNet 上，在具有相似的函数评估次数 (NFEs) 和模型参数量的情况下，eMIGM 优于开创性的 VAR。此外，随着 NFE 和模型参数量的增加，eMIGM 取得了与最先进的连续扩散模型 REPA 相当的性能，同时所需的 NFE 不到其 45\%。另外，在 ImageNet 上，eMIGM 优于强大的连续扩散模型 EDM2。代码可在 https://github.com/ML-GSAI/eMIGM 获取。
引用
@article{arxiv.2503.07197,
title = {Effective and Efficient Masked Image Generation Models},
author = {Zebin You and Jingyang Ou and Xiaolu Zhang and Jun Hu and Jun Zhou and Chongxuan Li},
journal= {arXiv preprint arXiv:2503.07197},
year = {2026}
}