通过与向量量化模型预训练的条件式合成潜空间，联合学习条件潜空间和图像潜空间，进一步提高自回归模型的建模能力，并在多个图像数据集上验证其能有效改进语义图像合成性能。

Sep, 2022

我们提出了使用扩散过程模型每个令牌的概率分布，从而可以将自回归模型应用于连续值空间的方法，并通过定义扩散损失函数来替代离散化的令牌化。通过消除向量量化，我们的图像生成器在享受序列建模的速度优势的同时取得了强大的结果，并希望该方法能促进在其他连续值领域和应用中使用自回归生成。

Jun, 2024

提出了一种新的两阶段框架，它使用动态量化 VAE 将图像区域编码为基于其信息密度的可变长度代码，以实现更准确，更紧凑的代码表示，从而解决了现有 VQ 基于自回归模型的固定长度编码问题，该方法通过一种新的堆叠 Transformer 架构和共享内容、独立位置输入层设计，从粗粒度到细粒度生成图像。

May, 2023

这篇论文介绍了一种领域通用的多对多图像生成框架，能够从给定的图像集合中生成相互关联的图像系列，并提供可扩展的解决方案，无需在不同的多图像场景中使用任务特定的解决方案。利用 MIS 数据集，该方法使用稳定扩散和不同的潜在噪声从单个标题生成一组相互关联的图像。通过在 MIS 数据集上进行训练，该模型能够捕捉到先前图像（合成或真实）的风格和内容，并生成遵循这些模式的新图像。此外，通过任务特定的微调，我们的模型展示了其适应各种多图像生成任务的能力，包括新视角合成和视觉流程生成。

Apr, 2024

本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足，提出一种图像自适应的修复方案，增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。

Jun, 2019

通过引入自回归隐式分位数网络 (AIQN)，本文提出了一种与传统模型不同的生成模型方法，通过量化回归隐式地捕获分布，AIQN 可以在不损失样本多样性的情况下实现优越的感知质量和评估度量的改进，使用 Inception score、FID、非樱桃挑选样本和修补结果等指标，我们将 AIQN 扩展到 PixelCNN 模型，并在 CIFAR-10 和 ImageNet 上展示结果，结果表明，AIQN 可以稳健地提高感知质量，同时仍保持高度多样化的分布。

Jun, 2018

使用基于策略梯度优化的强化对抗学习 (RAL)，结合 GAN 启发的对抗损失，实现了图像生成中自回归模型的敌对性学习，提高了生成图像的质量和多样性。该方法在合成和真实数据集上都取得了显著的改善，并在 64*64 图像分辨率上实现了 Celeba 数据集的最优结果。

Jul, 2020

提出使用离散表示图像的方法，可以让基于自回归的生成模型输出具备更好的大规模连贯性，在 ImageNet 数据集上进行实验，证明了分层条件自回归模型可以在 128×128 和 256×256 的分辨率上生成逼真的图像。

Mar, 2019

本文提出了一种训练程序，它基于辅助损失函数来控制潜变量所捕获的信息以及留给自回归解码器的信息，该方法可以实现任意强大的自回归解码器，达到具有潜变量的模型中最先进的定量性能，并生成定性令人信服的样本。

Nov, 2017

本文提出一种正则化的向量量化框架，通过两种正则化方法有效缓解确定性量化和随机量化所存在的问题，并设计出一种概率对比损失作为更进一步缓解扰动重构目标的标准度量，实验表明该框架在不同的生成模型中表现都比现有的向量量化方法更优。

Mar, 2023