DetailFlow：通过预测下一细节进行一维从粗到细的自回归图像生成

本文提出了 DetailFlow，一种从粗到细的一维自回归（AR）图像生成方法，它通过一种新颖的下一细节预测策略对图像进行建模。通过学习一个分辨率感知的 token 序列，并由逐步降级的图像进行监督，DetailFlow 使生成过程能够从全局结构开始，并逐步细化细节。这种从粗到细的一维 token 序列与自回归推理机制非常契合，为 AR 模型生成复杂视觉内容提供了一种更自然高效的方式。我们的紧凑一维 AR 模型以比以前方法（即 VAR/VQGAN）显著更少的 token 实现了高质量图像合成。我们在 ImageNet 256x256 基准上进一步提出了一种带有自修正的并行推理机制，可将生成速度提高约 8 倍，同时减少教师强制监督固有的累积采样误差。在 ImageNet 256x256 基准上，我们的方法使用 128 个 token 实现了 2.96 gFID，优于 VAR (3.3 FID) 和 FlexVAR (3.05 FID)，这两者在其 AR 模型中都需要 680 个 token。此外，由于 token 数量显著减少和并行推理机制，我们的方法比 VAR 和 FlexVAR 的推理速度快近 2 倍。大量实验结果表明，DetailFlow 比现有最先进方法具有卓越的生成质量和效率。