Tag · 2 篇
视觉自回归
分布 视觉语言模型1底层视觉与图像复原1
01 02
UVU：通过视觉-语言统一自回归范式改进多模态理解
UVU: Improving Multimodal Understanding via Vision-Language Unified Autoregressive Paradigm
把像素级视觉重建作为预训练阶段的统一自回归监督信号，与文本 token 共享同一词表，为提升 MLLM 细粒度视觉感知提供了一条不依赖向量量化的连续视觉编码 + 码本构建思路，可直接迁移到其他多模态预训练配方中。
DVAR：面向图像超分的动态视觉自回归建模
DVAR: Dynamic Visual Autoregressive Modeling for Image Super-Resolution
把 VAR 的绝对尺度调度换成与目标尺寸解耦的相对缩放动态，使单一自回归模型可服务任意分辨率超分；其动态采样调度利用码本中视觉 token 的几何邻近性模拟预测误差分布，可迁移到其他自回归生成模型的训练-推理鸿沟缓解。