English(EN) Beyond Token-Level Cross-Entropy: Fr\'echet Distributional Post-Training for Autoregressive Image Generation

新的 FD-loss 技术提高了自回归图像生成质量

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-04 04:00

研究人员开发了一种新的自回归图像生成器后训练技术，称为 Fréchet 分布式后训练（FD-loss）。该方法解决了 token 级交叉熵预训练与生成图像的分布质量评估之间的不匹配问题。通过使用表示空间的 Fréchet 距离作为唯一目标，FD-loss 能够适应预训练的离散生成器。这种方法显示出显著的改进，在各种配置和数据集上，FID 和 FD_r6 分数平均分别降低了 41.4% 和 52.0%。 AI

影响引入了一种新颖的后训练方法，通过解决自回归模型中的目标不匹配问题，显著提高了生成图像的质量。

排序理由详细介绍图像生成新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

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

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍图像生成新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 76 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Jinhua Zhang, Yisong Lin, Wei Long, Shuhang Gu · 2026-08-04 04:00

超越 Token 级交叉熵：用于自回归图像生成的 Fr\'echet 分布式训练后方法

arXiv:2608.00562v1 Announce Type: new Abstract: Autoregressive image generators are commonly pretrained with token-level cross-entropy under teacher forcing, yet evaluated by the distributional quality of decoded images. This creates an objective mismatch, because categorical err…

本文如何被排名

报道来源 [1]

超越 Token 级交叉熵：用于自回归图像生成的 Fr\'echet 分布式训练后方法

相关实体

相关话题