用于视觉合成的生成性细化网络
计算机视觉与模式识别
2026-04-15 v1
摘要
虽然扩散模型主导了视觉生成领域，但其计算效率低下，无论不同复杂度如何，都施加均匀的计算资源。相比之下，自回归（AR）模型天生具备复杂度感知能力，正如其可变似然性所示，但常因损失的离散分词和误差积累受限。在本工作中，我们引入生成性细化网络（GRN），这是一种面向视觉合成的下一代范式，以解决上述问题。GRN 通过实现近乎无损的层次二进制量化（HBQ），解决了离散分词瓶颈，重建质量接近连续模型。在 HBQ 的潜在空间上，GRN 基本上升级了 AR 生成，引入全局细化机制，逐步完善和纠正作品——就像人类艺术家绘画一样。此外，GRN 集成了基于熵的采样策略，实现复杂度感知、自适应步长的生成，而不牺牲视觉质量。在 ImageNet 基准上，GRN 在图像重建（0.56 rFID）和类别条件图像生成（1.81 gFID）方面均创下新纪录。我们还将 GRN 扩展到更具挑战性的文本到图像和文本到视频生成，在相同规模上实现卓越性能。我们发布所有模型和代码，以推动 GRN 进一步研究。
引用
@article{arxiv.2604.13030,
title = {Generative Refinement Networks for Visual Synthesis},
author = {Jian Han and Jinlai Liu and Jiahuan Wang and Bingyue Peng and Zehuan Yuan},
journal= {arXiv preprint arXiv:2604.13030},
year = {2026}
}
备注
code: https://github.com/MGenAI/GRN