并非所有 token 在引导方面都相等：提高视觉自回归模型中的引导方式
计算机视觉与模式识别
2025-10-02 v2 人工智能
摘要
基于下一尺度预测的自回归 (AR) 模型正快速成为图像生成的强大工具，但面临一个关键弱点：由于分辨率比例的渐进式缩放，导致跨时间步中 patch 之间信息不一致。这些不一致将稀释引导信号，使其偏离条件信息，留下模糊、不忠实的特征。我们通过信息 grounding 引导 (IGG) 提出了一种新型机制，通过注意力将引导锚定到语义上重要的区域。通过在采样期间适应性地强化信息丰富的 patch，IGG 确保引导与内容紧密对齐。在 class 条件和 text-to-image 生成任务中，IGG 交付更锐利、更连贯且语义更准确的图像，为 AR 方法树立了新的基准。
关键词
引用
@article{arxiv.2509.23876,
title = {Not All Tokens are Guided Equal: Improving Guidance in Visual Autoregressive Models},
author = {Ky Dan Nguyen and Hoang Lam Tran and Anh-Dung Dinh and Daochang Liu and Weidong Cai and Xiuying Wang and Chang Xu},
journal= {arXiv preprint arXiv:2509.23876},
year = {2025}
}
备注
17 pages, 7 figures; added shared first authorship statement