VAR

收录理由

这个仓库是Visual Autoregressive Modeling的官方实现，该项工作拿下了NeurIPS 2024的最佳论文奖。它的思路不是逐像素生成图像，而是逐级预测越来越细的尺度，让GPT风格的Transformer在ImageNet上生成256x256的图像，且计算成本低于同级别的扩散模型。仓库里提供了最高23亿参数的预训练权重，以及训练、采样和评估脚本，既可以快速加载模型跑起来，也可以自己复现实验。对研究自回归图像生成的学者和工程师来说，这是个很有分量的参考；README里还附了一个在线文生图演示，能立刻上手感受效果。如果团队指望的是完整的文生图服务，那这个项目的范围可能偏窄，但要是想了解“下一尺度预测”这条有别于扩散模型的路径，这份代码库清晰易读，背后又有顶会论文支撑，值得仔细看看。