基于 1D 语义 tokenizer 的端到端 自动回归图像生成
计算机视觉与模式识别
2026-05-05 v2 机器学习
摘要
自动回归图像建模依赖视觉 tokenizer 将图像压缩为紧凑的潜在表示。我们设计了端到端训练管道，联合优化 reconstruction 与生成，使生成结果能直接对 tokenizer 提供监督。这与先前采用分阶段方法训练 tokenizer 和生成模型的做法不同。我们进一步研究利用 vision foundation models 提升用于自动回归建模的 1D tokenizer。我们的自动回归生成模型取得了强劲的实证成绩，包括在 ImageNet 256x256 生成上无 guidance 下达到 state-of-the-art FID 分数 1.48。
引用
@article{arxiv.2605.00503,
title = {End-to-End Autoregressive Image Generation with 1D Semantic Tokenizer},
author = {Wenda Chu and Bingliang Zhang and Jiaqi Han and Yizhuo Li and Linjie Yang and Yisong Yue and Qiushan Guo},
journal= {arXiv preprint arXiv:2605.00503},
year = {2026}
}
备注
In ICML 2026 (Spotlight)