用于高效视觉自回归建模的图像扩展学习
计算机视觉与模式识别
2025-11-20 v1
摘要
自回归模型最近在视觉生成中显示出巨大的潜力，因其利用类似语言建模的离散标记序列。然而，现有方法常因逐标记解码或多尺度表示的复杂性而效率低下。本文引入了Expanding Autoregressive Representation (EAR)，一种新颖的生成范式，模拟了人类视觉系统中心向外的感知模式。EAR沿螺旋顺序从中心展开图像标记，并逐渐向外扩展，保持空间连续性，实现高效并行解码。为进一步提升灵活性和速度，我们提出了长度自适应解码策略，可动态调整每一步预测的标记数量。这种生物学启发的设计不仅降低了计算成本，还通过将生成顺序与感知相关性匹配，提高了生成质量。在ImageNet上进行的大量实验表明，EAR在单尺度自回归模型中实现了保真度与效率之间的突破性平衡，为可扩展且符合认知规律的自回归图像生成开辟了新方向。
引用
@article{arxiv.2511.15499,
title = {Learning to Expand Images for Efficient Visual Autoregressive Modeling},
author = {Ruiqing Yang and Kaixin Zhang and Zheng Zhang and Shan You and Tao Huang},
journal= {arXiv preprint arXiv:2511.15499},
year = {2025}
}
备注
16 pages, 18 figures, includes appendix with additional visualizations, submitted as arXiv preprint