論文の概要: DetailFlow: 1D Coarse-to-Fine Autoregressive Image Generation via Next-Detail Prediction

• arxiv url: http://arxiv.org/abs/2505.21473v1
• Date: Tue, 27 May 2025 17:45:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.841202
• Title: DetailFlow: 1D Coarse-to-Fine Autoregressive Image Generation via Next-Detail Prediction
• Title（参考訳）: DetailFlow:Next-Detail Predictionによる1次元粗相関自己回帰画像生成
• Authors: Yiheng Liu, Liao Qu, Huichao Zhang, Xu Wang, Yi Jiang, Yiming Gao, Hu Ye, Xian Li, Shuai Wang, Daniel K. Du, Shu Cheng, Zehuan Yuan, Xinglong Wu,
• Abstract要約: 本稿では,粗い1次元自己回帰(AR)画像生成法であるDetailFlowを提案する。 DetailFlowは、段階的に劣化したイメージで管理される解像度対応トークンシーケンスを学習することにより、グローバルな構造から生成プロセスを開始することができる。 提案手法は,従来の手法よりもはるかに少ないトークンで高品質な画像合成を実現する。
• 参考スコア（独自算出の注目度）: 47.483590046908844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents DetailFlow, a coarse-to-fine 1D autoregressive (AR) image generation method that models images through a novel next-detail prediction strategy. By learning a resolution-aware token sequence supervised with progressively degraded images, DetailFlow enables the generation process to start from the global structure and incrementally refine details. This coarse-to-fine 1D token sequence aligns well with the autoregressive inference mechanism, providing a more natural and efficient way for the AR model to generate complex visual content. Our compact 1D AR model achieves high-quality image synthesis with significantly fewer tokens than previous approaches, i.e. VAR/VQGAN. We further propose a parallel inference mechanism with self-correction that accelerates generation speed by approximately 8x while reducing accumulation sampling error inherent in teacher-forcing supervision. On the ImageNet 256x256 benchmark, our method achieves 2.96 gFID with 128 tokens, outperforming VAR (3.3 FID) and FlexVAR (3.05 FID), which both require 680 tokens in their AR models. Moreover, due to the significantly reduced token count and parallel inference mechanism, our method runs nearly 2x faster inference speed compared to VAR and FlexVAR. Extensive experimental results demonstrate DetailFlow's superior generation quality and efficiency compared to existing state-of-the-art methods.
• Abstract（参考訳）: 本稿では,デテールフロー(DetailFlow)を提案する。デテールフロー(DetailFlow)は1次元の粗い自己回帰(AR)画像を生成する手法で,新しい次のディテール予測手法によって画像のモデル化を行う。 DetailFlowは、段階的に劣化したイメージで管理される解像度対応のトークンシーケンスを学習することにより、生成プロセスがグローバル構造から始まり、詳細を漸進的に洗練することを可能にする。 この粗い1Dトークンシーケンスは自己回帰推論機構とよく一致し、ARモデルが複雑なビジュアルコンテンツを生成するためのより自然で効率的な方法を提供する。 我々のコンパクトな1D ARモデルは、従来のVAR/VQGANよりもはるかに少ないトークンで高品質な画像合成を実現する。 さらに,教師の強制管理に固有の蓄積サンプリング誤差を低減しつつ,生成速度を約8倍に高速化する自己補正型並列推論機構を提案する。 ImageNet 256x256ベンチマークでは、VAR(3.3 FID)とFlexVAR(3.05 FID)を上回り、2.96gFIDを128トークンで達成し、どちらもARモデルで680トークンを必要とする。 さらに,トークン数と並列推論機構の大幅な削減により,VARやFlexVARに比べて2倍近く高速な推論速度を実現する。 大規模な実験結果から、DetailFlowは既存の最先端手法よりも優れた生成品質と効率性を示している。

関連論文リスト

• Token-Shuffle: Towards High-Resolution Image Generation with Autoregressive Models [92.18057318458528]
  Token-ShuffleはTransformerにおける画像トークンの数を減らす新しい方法である。 我々の戦略は、事前訓練されたテキストエンコーダを必要とせず、MLLMが超高解像度画像合成をサポートできるようにする。 GenAIベンチマークでは、2.7Bモデルがハードプロンプトで0.77点、ARモデルLlamaGenが0.18点、拡散モデルLDMが0.15点である。
  論文  参考訳（メタデータ） (2025-04-24T17:59:56Z)
• Autoregressive Image Generation with Randomized Parallel Decoding [23.714192351237628]
  ARPGは、ランダム化された並列生成を可能にする新しい視覚的自己回帰モデルである。 提案手法は,64ステップで1.94のFIDを達成し,スループットを20倍以上に向上させる。
  論文  参考訳（メタデータ） (2025-03-13T17:19:51Z)
• NFIG: Autoregressive Image Generation with Next-Frequency Prediction [50.69346038028673]
  textbfNext-textbfFrequency textbfImage textbfGeneration (textbfNFIG) は、画像生成プロセスを複数の周波数誘導段階に分解する新しいフレームワークである。 提案手法では,まず低周波成分を生成し,より少ないトークンで大域構造を確立する。
  論文  参考訳（メタデータ） (2025-03-10T08:59:10Z)
• FlexVAR: Flexible Visual Autoregressive Modeling without Residual Prediction [91.09318592542509]
  この研究は、視覚自己回帰モデリングにおける残差予測パラダイムに挑戦する。 新しいフレキシブルなVisual AutoRegressiveイメージ生成パラダイムを提供する。 このシンプルで直感的なアプローチは、視覚分布を素早く学習し、生成プロセスをより柔軟で適応可能にします。
  論文  参考訳（メタデータ） (2025-02-27T17:39:17Z)
• Collaborative Decoding Makes Visual Auto-Regressive Modeling Efficient [52.96232442322824]
  CoDe(Collaborative Decoding)は、Visual Auto-Regressive (VAR)フレームワーク用に設計された、新しい効率的なデコーディング戦略である。 CoDeは、大規模でのパラメータ要求の大幅な削減と、異なるスケールでの排他的生成パターンという、2つの重要な観察に乗じている。 CoDeは1.7倍のスピードアップを実現し、メモリ使用量を約50%削減し、画像品質を1.95から1.98に改善した。
  論文  参考訳（メタデータ） (2024-11-26T15:13:15Z)
• Alleviating Distortion in Image Generation via Multi-Resolution Diffusion Models and Time-Dependent Layer Normalization [26.926712014346432]
  本稿では,新しいマルチレゾリューションネットワークと時間依存層正規化を統合することで,拡散モデルの革新的拡張を提案する。 提案手法の有効性は,ImageNet 256 x 256で1.70,ImageNet 512 x 512で2.89の新しい最先端FIDスコアを設定することで,クラス条件のImageNet生成ベンチマークで実証される。
  論文  参考訳（メタデータ） (2024-06-13T17:59:58Z)
• Progressive Text-to-Image Generation [40.09326229583334]
  本稿では,高忠実度テキスト・画像生成のためのプログレッシブモデルを提案する。 提案手法は, 既存のコンテキストに基づいて, 粗い画像から細かな画像への新しい画像トークンの作成によって効果を発揮する。 結果として得られた粗大な階層構造により、画像生成プロセスは直感的で解釈可能である。
  論文  参考訳（メタデータ） (2022-10-05T14:27:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。