从预测到完美：为自回归图像生成引入细化机制
计算机视觉与模式识别
2026-01-29 v2
摘要
自回归(AR)图像生成器通过在因果序列中预测离散图像标记，提供了一种面向语言模型的图像生成方法。然而，与扩散模型不同，AR模型缺乏对先前预测进行细化的机制，限制了其生成质量。本文引入TensorAR，一种新的AR范式，将图像生成从下一个标记预测重新表述为下一个张量预测。通过以滑动方式生成图像块(张量)的重叠窗口，TensorAR实现了对先前生成内容的迭代细化。为防止训练期间信息泄露，我们提出了离散张量噪声方案，通过基于码本索引的噪声扰动输入标记。TensorAR实现为与现有AR模型兼容的即插即用模块。在LlamaGEN、Open-MAGVIT2和RAR上进行的大量实验表明，TensorAR显著提高了自回归模型的生成性能。
引用
@article{arxiv.2505.16324,
title = {From Prediction to Perfection: Introducing Refinement to Autoregressive Image Generation},
author = {Cheng Cheng and Lin Song and Di An and Yicheng Xiao and Xuchong Zhang and Hongbin Sun and Ying Shan},
journal= {arXiv preprint arXiv:2505.16324},
year = {2026}
}
备注
Published as a conference paper at ICLR 2026