Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction

• 北大和字节团队的一篇VLM，在生成任务上，用GPT范式，声称在FID上超过了DIT，SD3和SORA。开源。
• 首先是multi-scale的VQVAE，然后是VAR transformer，如下图所示。每个尺度其实并不是GPT范式的，每个尺度都是Bert范式的，只是上一尺度的输出会拿来上采样，产生新一轮的输入。感觉这根本不能算是GPT范式，scale level的只是一种coarse to fine的bert而已。
  

Autoregressive Image Generation without Vector Quantization

• 这是一篇 MIT，DeepMind 和 清华的论文，何凯明是作者之一，开源
• 文章提出去掉vq，把categorical cross-entropy loss训练的离散预测任务，改成由diffusion loss训练的连续任务。网络的输出接一个denoising diffusion（MLP），作为condition，然后算diffusion的损失：
  
• 这个diffusion就是标准的diffusion，有forward和backward，train这个diffusion model的时候顺便也把梯度传到了z，从而train到了GPT的网络。训练的时候对每一张图片采样4个不同的t来算损失，提高训练效率。noise schedule是cos shape，1000 steps。inference的时候用了100步来去噪。condition 的z通关AdaIN的方式加入到这个diffuison 网络。
  
• 本文不是GPT范式的，而是对MAE范式的一个拓展。文章认为GPT范式受限于casual attention，而对于图像来说bidirectional attention是更合理的。所以基于MAE范式做了一个AR的generation，用的还是自回归，一次根据自己上次预测的一些token，预测一些新的token，encoder用的是MAE的encoder，基于已知的tokens，做bidirectional 的attention，decoder则是加了一些mask和positional embedding，从这些空的token预测出新的东西来。并且，一次不仅预测一个token，而是多个。如下图所示：最终的MAR方案，其实是Figure2(b)的方案的decoder结构和Figure3 ©的方案表示的next sets-of-token prediction的结合。训练的时候和MAE差不多，mask ratio是0.7到1.0；inference的时候，用64步的自回归，mask ratio从1到0的曲线是cosine曲线。同时，被mask掉的token是完全random的，也就是说下一个预测的token是完全随机的。
  
• 从实验结果看，主要做的三点改进，都是有效的。第一点是把quantization+crossentropy loss改成w/o vq+diffusion loss；第二点改进是把raster order改成random order；第三点改进是把casual attention改成bidirectional attention：
  
• 可以看到，三点改进都使得FID下降了。
• 此外，可以看到最后多了一个CFG的变量，是因为文章引进了diffusion loss，那就可以引进classifier-free guidance，就是最后一栏的效果。不过不知道crossent是怎么引进CFG的。。
• 文章给了一些VLM范式的重要启发，包括casual/bidirectional direction的注意力，包括image patch放到1D squence的order，包括提出了新的MAR范式。

Taming Transformers for High-Resolution Image Synthesis

• 这是一篇海德堡大学的两个下属研究机构的一篇论文，开源。
• 文章的结构就很自然，就是GPT范式，把图像用VQGAN转成token，再用GPT做next token prediction，再用VQGAN的decoder解成img：
  
• 首先用下面的损失train一个VQ-GAN：
  
  

• train好的VQ-GAN 有了encoder，codebook和decoder，就可以用GPT来生成img了。
• 如果要实现conditioned synthesis，如果条件也是图片，可以再train一个针对条件的VQ-GAN，然后把条件的tokens放在前面，继续用GPT的方式来生成输出的token即可。
• 另一点是，生成图像的时候，如果用上全局注意力，成本太高了。因此，用了局部注意力，结合上next token prediction，整体看起来就是这样的：
  
• 使用1024的code book，16x16的sequence length，GPT2-medium的结构（307M parameters），12G显存。

Autoregressive image generation using residual quantization

• 这是两个韩国人发的一篇论文，虽然是22年的，但是残差量化的思想还挺有意思的。同时，这也是一个GPT范式的工作
• 本文对VQ-VAE进行了改进，VQ只有一个codebook，存在各种问题。RQ-VAE把VQ量化后的结果和量化前的特征计算的残差，也进行量化，并且和第一步的量化共享码表。
• 因此，每张图片，考虑有D层的残差，应该有TD个token，其中T是HW。直接对TD长度的sequence做transformer反而时间复杂度太高。为此，专门设计了RQ-Transformer。
• 首先就是把TD给按设计的那样求和起来，也就是说D个token求和变成最接近量化前的那个vector，这样sequence length就是T了。这一步称为spatial transformer。spatial transformer的结果就是对T个token会产生T个输出的h。第二步，就是用这T个h，各自用AR的方式，去自回归生成D个token，这一步称为depth transformer。这TD个token最终就可以用最初定义的方式去decode回图像。
• inference的时候，就很自然，给一个起始的u1，spatial transformer的输出就是v1，v1送进depth transformer，输出S11，S11再送进depth transformer，AR地继续产生S12，S13，。。。到S1D，然后求和，产生u2，u2再送进spatial transformer，产生v2，以此类推，就能够自回归地生成一张图片。如下图所示：
  
• 接着提出了两个配合的训练策略。就GPT训练的时候输入一般是直接把GT放进来，然后用casual mask来训练，测试才自回归嘛。如果要采样自回归，就没法一整个句子并训练，会慢很多。但这里，因为有VQ encoder，所以其实还是可以给输入加一下扰动的，就是quantify的时候，根据与code book的距离用采样的策略而不用min；然后label也同样用距离的函数来算一个soft label而非one-hot的label。从消融实验可以看到加上这两个trick，FID稍微低了一点。

Vector-quantized image modeling with improved vqgan

• 这是google search发表在ICLR2022上的工作，使用的是GPT范式，把VQGAN改进了一下。
• 首先是把VQ-GAN的encoder改成了ViT, patch size是88，一张256256的图片会切成32*32个patch，一共1024个token。不过文章声称，从CNN改成transformer，只要给更多的训练数据，不仅performance提升了，速度也加快了，很神奇，1024个token的transformer会比CNN快吗？
  
• 对于VQ的过程也做了几点改进，首先还是用sample而不是用最小距离选code；其次look up的时候不是直接对比encoder的输出和码表，而是用一个linear projection把256d的code映射到32d上再去look up，这提高了reconstruction的表现。第三是对encoder和codebook都做了L2归一化，使得code限制在一个球面上。
• ViT-VQGAN的损失函数如下：
  

Generative pretraining from pixels

• 这是OpenAI在ICML2020发表的一篇paper

TODO:

• Unified-io: A unified model for vision, language, and multi-modal tasks.
• Unified-io 2: Scaling autoregressive multimodal models with vision, language, audio, and action
• Generative pretraining from pixels
• Conditional image generation with pixelcnn decoders
• Parallel multiscale autoregressive density estimation
• Sequential modeling enables scalable learning for large vision models
• Zero-shot text-to-image generation
• Movq: Modulating quantized vectors for high-fidelity image generation
• Generating diverse high-fidelity images with vq-vae-2
• Language models are few-shot learners
• Language models are unsupervised multitask learners
• Scaling autoregressive models for content-rich text-to-image generation
• codeformer
• Diffusion models as masked autoencoders
• Denoising autoregressive representation learning
• 1D tokenizer
• Sequence level training with recurrent neural networks