解讀：AI生成未來

文章鏈接：https://arxiv.org/pdf/2502.20313 
Git鏈接：https://github.com/jiaosiyu1999/FlexVAR 

亮點直擊

• 生成各種分辨率和寬高比的圖像，甚至可以超過訓(xùn)練分辨率；
• 支持圖像到圖像的任務(wù)，例如圖像修復(fù)、圖像細(xì)化和圖像擴(kuò)展，而無需微調(diào)；
• 享受靈活的推理步驟，允許通過減少步驟加速推理或通過增加步驟提高圖像質(zhì)量。

總結(jié)速覽

原文來源

本文作者來自北京交通大學(xué)、悉尼科技大學(xué)、美團(tuán)、佐治亞理工學(xué)院。

解決的問題

• 靈活性不足：現(xiàn)有的視覺自回歸模型（如VAR）通常只能生成固定分辨率的圖像，缺乏生成不同分辨率和寬高比圖像的靈活性。
• 殘差預(yù)測的限制：現(xiàn)有模型采用殘差預(yù)測的方式，依賴于固定的步驟設(shè)計，限制了圖像生成的適應(yīng)性和靈活性。同時，不同尺度的殘差缺乏語義連續(xù)性，可能限制模型表示多樣圖像變化的能力。

提出的方案

• FlexVAR模型：提出了一種新的視覺自回歸建模范式FlexVAR，摒棄了殘差預(yù)測，改為在每個步驟中直接預(yù)測真實值（ground-truth），從而確保相鄰尺度之間的語義連貫性。
• 多尺度約束的VQVAE：設(shè)計了一個可擴(kuò)展的VQVAE tokenizer，增強了VQVAE對不同隱空間尺度的魯棒性，使得圖像可以在任意分辨率下重建。
• 可擴(kuò)展的2D位置嵌入：提出了可擴(kuò)展的2D位置嵌入方法，使用2D可學(xué)習(xí)查詢初始化，使得尺度自回歸建?？梢詳U(kuò)展到各種分辨率和步驟，包括訓(xùn)練時未使用的分辨率和步驟。

應(yīng)用的技術(shù)

• 自回歸建模：利用自回歸模型學(xué)習(xí)圖像的概率分布，生成圖像。
• VQVAE（向量量化變分自編碼器）：用于圖像的分割和重建，增強模型對不同尺度的適應(yīng)性。
• Transformer架構(gòu)：用于學(xué)習(xí)多尺度隱空間特征的概率分布，建模下一個尺度的真實值。
• 2D位置嵌入：引入2D可學(xué)習(xí)查詢，擴(kuò)展模型的分辨率和步驟適應(yīng)性。

達(dá)到的效果

• 生成多樣性：FlexVAR能夠生成各種分辨率和寬高比的圖像，甚至超過訓(xùn)練圖像的分辨率。
• 多任務(wù)支持：支持多種圖像到圖像的任務(wù)，包括圖像細(xì)化、圖像修復(fù)、圖像擴(kuò)展等。
• 自適應(yīng)步驟：可以根據(jù)需要調(diào)整自回歸步驟，實現(xiàn)更快的推理速度或更高的圖像質(zhì)量。
• 性能提升：在ImageNet 256×256基準(zhǔn)測試中，1.0B模型優(yōu)于其VAR對應(yīng)模型。在零樣本轉(zhuǎn)移生成過程中，13步生成的圖像性能進(jìn)一步提升，F(xiàn)ID達(dá)到2.08，優(yōu)于現(xiàn)有的自回歸模型和流行的擴(kuò)散模型。
• 零樣本轉(zhuǎn)移：在ImageNet 512×512基準(zhǔn)測試中，F(xiàn)lexVAR在零樣本轉(zhuǎn)移情況下取得了與全監(jiān)督訓(xùn)練的VAR 2.3B模型相競爭的結(jié)果。

方法

FlexVAR 概述

FlexVAR 是一種靈活的視覺自回歸圖像生成范式，它通過真實值（ground-truth）預(yù)測而非殘差預(yù)測來實現(xiàn)自回歸學(xué)習(xí)，從而能夠在任何步驟獨立生成合理的圖像。在本文的方法中：(1) 一個可擴(kuò)展的 VQVAE tokenizer 將輸入圖像量化為多尺度的 token 并重建圖像。(2) 一個 FlexVAR transformer 通過尺度自回歸建模進(jìn)行訓(xùn)練，去除了殘差預(yù)測。

多尺度量化與圖像重建

主流的 VQVAE tokenizer 在單一分辨率下表現(xiàn)良好。然而，當(dāng)擴(kuò)展隱空間時，它們通常無法重建圖像（如下圖 3 所示）。這一觀察促使我們探索一種可擴(kuò)展的 tokenizer，能夠?qū)⑤斎雸D像量化為多尺度的 token 并重建圖像。具體來說，所提出的可擴(kuò)展 tokenizer 首先將圖像編碼為多尺度的隱空間，然后使用量化器將隱空間特征轉(zhuǎn)換為離散的 token，最后使用解碼器從每個尺度的離散 token 中重建原始圖像。

無殘差的視覺自回歸建模

實驗

實現(xiàn)細(xì)節(jié)

最先進(jìn)的圖像生成

在 ImageNet-1K 基準(zhǔn)測試中將 FlexVAR 與現(xiàn)有的生成方法進(jìn)行比較，包括 GAN、擴(kuò)散模型、隨機掃描、光柵掃描和尺度掃描自回歸模型。結(jié)果如下表 2 和表 3 所示。

ImageNet 256×256 的總體比較。為了確保公平比較，在表 2 中展示了參數(shù)規(guī)模小于 1B 的模型。我們的 FlexVAR 在所有生成方法中實現(xiàn)了最先進(jìn)的性能，并且與 VAR 相比表現(xiàn)尤為出色。具體來說，在不同模型規(guī)模下，我們分別實現(xiàn)了 FID 提升 -0.45、-0.56 和 -0.12。

零樣本推理（更多步驟）。在未訓(xùn)練的情況下使用 13 個步驟進(jìn)行圖像生成，如表 2 的最后一行所示。FlexVAR 可以靈活地采用更多步驟來提高圖像質(zhì)量。通過使用 13 個推理步驟，F(xiàn)lexVAR 進(jìn)一步將性能提升至 2.08 FID 和 315 IS，展現(xiàn)了強大的靈活性和泛化能力。具體的步驟設(shè)計詳見附錄。

ImageNet 512×512 基準(zhǔn)測試的零樣本推理。使用 FlexVAR-d24 生成 512×512 圖像，并在未訓(xùn)練的情況下在 ImageNet-512 基準(zhǔn)測試上進(jìn)行評估，如前面表 3 所示。盡管 FlexVAR 僅在分辨率 ≤256×256 上訓(xùn)練且僅有 1.0B 參數(shù)，但我們的 FlexVAR-d24 表現(xiàn)出了與 VAR 相競爭的性能。

消融實驗

本文對 FlexVAR 中的各種設(shè)計選擇進(jìn)行了消融實驗。由于計算資源有限，在 下表 4、5以及前面表6 中報告了使用短期訓(xùn)練方案（即 40 輪訓(xùn)練，約 70K 次迭代）得到的結(jié)果。

組件級消融實驗

為了理解每個組件的影響，從標(biāo)準(zhǔn) VAR 開始，并逐步添加每個設(shè)計：

• 基線：VAR 采用殘差預(yù)測范式，表現(xiàn)良好（第 1 個結(jié)果），但其在圖像生成方面的靈活性未達(dá)到預(yù)期）。
• 預(yù)測類型：直接將預(yù)測類型轉(zhuǎn)換為 GT 是不可行的（第 2 和第 3 個結(jié)果）。我們采用了 VAR 和 Llamagen 的 VQVAE 分詞器，二者均表現(xiàn)較差。這并不意外，因為當(dāng)前的分詞器缺乏對具有不同隱空間的圖像的魯棒性，而我們在訓(xùn)練過程中強制這些分詞器獲取多尺度隱空間特征（在前面圖3中提供了詳細(xì)分析）。
• 分詞器：可擴(kuò)展的分詞器在訓(xùn)練過程中獲取了合理的多尺度隱空間特征，使 FID 下降了 13.87（第 4 個結(jié)果）。然而，靈活的圖像生成仍未實現(xiàn)。
• 位置嵌入：引入我們的可擴(kuò)展 PE（最后一個結(jié)果）后，圖像生成的靈活性顯著提升，并進(jìn)一步將 FID 降低至 3.71。

使用不同 VQVAE 重建圖像

在前面圖3中，通過縮放 VQVAE 分詞器的隱空間特征來重建多尺度圖像?，F(xiàn)有的 VQVAE 分詞器通常不支持在小到大范圍內(nèi)縮放隱空間特征。VAR 的 VQVAE 采用基于殘差的訓(xùn)練策略，直接將其應(yīng)用于非殘差圖像重建未能達(dá)到預(yù)期效果（第 1 行）。Llamagen 的 VQVAE 分詞器僅在原始隱空間下表現(xiàn)出色，表明其不適用于尺度自回歸建模（第 2 行）。

將 FlexVAR 遷移至 Mamba

最新研究 AiM 使用 Mamba 架構(gòu)進(jìn)行基于 token 的自回歸建模。受此啟發(fā)，對 FlexVAR 進(jìn)行了 Mamba 適配，并評估其性能（前面表 5）。在類似的模型參數(shù)下，Mamba 相較于 Transformer 模型展現(xiàn)了競爭力，這表明 GT 預(yù)測范式可以有效適應(yīng) Mamba 這樣的線性注意力機制。然而，考慮到該 Mamba 架構(gòu)并未體現(xiàn)速度優(yōu)勢，我們未將其集成到最終版本中。

Mamba 具有固有的單向注意力機制，使得圖像 token 在同一尺度下無法實現(xiàn)全局注意力。為了解決這一問題，我們在不同的 Mamba 層中采用了 8 條掃描路徑來捕獲全局信息。具體的 Mamba 架構(gòu)細(xì)節(jié)見附錄。

位置嵌入

在前面表 6 中，對多種步長 PE 和 x-y 坐標(biāo) PE 進(jìn)行了實驗。為了使模型在推理步驟上更具魯棒性，并能夠生成任意分辨率的圖像，移除了固定長度的步長嵌入（第 2 行的結(jié)果），性能僅出現(xiàn)輕微變化。本文采用了一種類似于 ViT的非參數(shù)變體，與可學(xué)習(xí)變體相比，F(xiàn)ID 僅相差 0.03。

GT 預(yù)測范式分析

收斂速度

本文對比了 VAR 和 FlexVAR 的訓(xùn)練損失，如下圖4 所示。FlexVAR 展示了顯著更低的損失值和更快的收斂速度，這表明預(yù)測真實值（ground-truth）而非殘差對訓(xùn)練更加友好。這可能是由于不同尺度的殘差缺乏語義連續(xù)性，而這種隱式預(yù)測方法可能會限制訓(xùn)練的收斂速度。

生成任意分辨率的圖像

在下圖1 和 圖5 中，使用 FlexVAR-d24 生成了不同分辨率的圖像。通過控制推理步驟，F(xiàn)lexVAR 能夠生成任意分辨率的圖像，盡管其僅在分辨率 ≤ 256px 的圖像上進(jìn)行了訓(xùn)練。生成的圖像在多個尺度上表現(xiàn)出較強的語義一致性，并且更高分辨率的圖像顯示出更清晰的細(xì)節(jié)。

生成任意比例的圖像

在 上圖1 和 下圖6 中，展示了不同長寬比的生成樣本。通過在推理過程中控制每一步的長寬比，F(xiàn)lexVAR 能夠生成不同長寬比的圖像，體現(xiàn)了其在圖像生成中的靈活性和可控性。

生成任意推理步長的圖像

在下圖7中，研究了使用 6 到 16 步生成 256×256 圖像的 FID 和 IS，實驗涵蓋了 3 種不同的模型尺寸（depth 16、20、24）。隨著步長的增加，生成圖像的質(zhì)量提升。更大規(guī)模的模型（如 FlexVAR-d24）提升更為顯著，因為更大的 Transformer 結(jié)構(gòu)能夠?qū)W習(xí)更復(fù)雜和精細(xì)的圖像分布。在訓(xùn)練過程中，我們最多使用 10 步以避免 OOM（內(nèi)存溢出）問題。然而，在推理階段，使用 13 步可使 FID 降低 0.13，這表明我們的 FlexVAR 對推理步長具有較強的適應(yīng)性，可以通過減少步長加速圖像生成，或通過增加步長獲得更高質(zhì)量的圖像。更多步長設(shè)計的細(xì)節(jié)請見附錄。

高分辨率圖像細(xì)化

在下圖8 中，輸入低分辨率圖像（如 256×256），并讓 FlexVAR 輸出高分辨率的細(xì)化圖像。盡管僅在 ≤ 256px 的圖像上進(jìn)行了訓(xùn)練，F(xiàn)lexVAR 仍然能夠通過提高輸入圖像分辨率來細(xì)化圖像細(xì)節(jié)，例如示例中狗的眼睛。這展示了 FlexVAR 在圖像到圖像生成任務(wù)中的高度靈活性。

圖像修補與擴(kuò)展

對于圖像修補（in-painting）和擴(kuò)展（out-painting），對掩碼外的 GT token 進(jìn)行教師強制（teacher-force），并讓模型僅生成掩碼內(nèi)的 token。同時，還注入了類別標(biāo)簽信息。結(jié)果如 下圖9 所示。在不修改架構(gòu)設(shè)計或訓(xùn)練方式的情況下，F(xiàn)lexVAR 在這些圖像到圖像的任務(wù)上表現(xiàn)良好。

圖像擴(kuò)展

對于圖像擴(kuò)展任務(wù)，生成目標(biāo)類別的 1:2 長寬比圖像，并在中心強制使用 ground-truth token。FlexVAR 在圖像擴(kuò)展方面表現(xiàn)良好，這表明其具有較強的泛化能力。

失敗案例

當(dāng)生成的圖像分辨率達(dá)到訓(xùn)練分辨率的 3 倍或更高時，F(xiàn)lexVAR 生成的圖像會出現(xiàn)明顯的波浪狀紋理和模糊區(qū)域（見下圖11）。這種失敗可能是由于當(dāng)前訓(xùn)練數(shù)據(jù)集結(jié)構(gòu)過于同質(zhì)化，例如 ImageNet-1K 通常缺乏從粗到細(xì)的多尺度目標(biāo)，因此在生成高分辨率圖像的細(xì)節(jié)時會產(chǎn)生誤差。

推測如果使用包含更精細(xì)細(xì)節(jié)的復(fù)雜數(shù)據(jù)集進(jìn)行訓(xùn)練，模型可能會在更高分辨率的生成任務(wù)上表現(xiàn)得更加穩(wěn)健。

結(jié)論

本文提出了 FlexVAR，一種靈活的視覺自回歸圖像生成范式，實現(xiàn)了無需殘差預(yù)測的自回歸學(xué)習(xí)。本文設(shè)計了可擴(kuò)展的 VQVAE tokenizer 和 FlexVAR-Transformer。該 ground-truth 預(yù)測范式賦予了自回歸模型極大的靈活性和可控性，使其能夠在訓(xùn)練時未涉及的分辨率、長寬比和推理步長下進(jìn)行圖像生成。此外，它還能零樣本遷移至多種圖像到圖像的生成任務(wù)。希望 FlexVAR 能成為一個穩(wěn)固的基線，并促進(jìn)視覺自回歸建模及相關(guān)領(lǐng)域的研究。

局限性

發(fā)現(xiàn)，當(dāng)生成的圖像分辨率達(dá)到訓(xùn)練圖像的3倍或更高時，會出現(xiàn)明顯的波浪狀紋理。這一問題可能是由于ImageNet-1K訓(xùn)練集結(jié)構(gòu)過于同質(zhì)化導(dǎo)致的。未來將進(jìn)一步研究如何在零樣本高分辨率圖像生成任務(wù)中保持穩(wěn)定性。

本文轉(zhuǎn)自AI生成未來 ，作者：AI生成未來

原文鏈接：??https://mp.weixin.qq.com/s/bURLljPt47K7xRJX8s7Ueg??