新的生成式精炼网络推动视觉合成基准发展

研究人员推出了一种新颖的视觉合成范式——生成式精炼网络（GRN），旨在克服扩散模型在计算上的低效率以及自回归模型的局限性。GRN利用分层二元量化（HBQ）实现近乎无损的离散标记化，并引入全局精炼机制进行渐进式图像校正，类似于人类艺术家。一种熵引导的采样策略允许在不牺牲视觉质量的情况下进行面向复杂度的生成。GRN在ImageNet的图像重建和类别条件生成方面设定了新的基准，并在文本到图像和文本到视频合成方面展现出潜力。 AI

影响 引入了一种新的视觉合成范式，旨在提高效率和质量，优于现有的扩散模型和自回归模型。

排序理由 该集群描述了一篇详细介绍新型模型架构及其在既定基准上性能的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• arXiv
• autoregressive model
• Diffusion Models
• Generative Refinement Networks
• Hierarchical Binary Quantization
• Hugging Face
• ImageNet
• Jian Han

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →