摘要
自然数据具有冗余性，而当前主流架构在输入和输出空间中对计算进行均匀分布。为此，我们提出循环接口网络（Recurrent Interface Networks, RINs），这是一种基于注意力机制的架构，能够将核心计算与数据维度解耦，从而实现针对高维数据生成的自适应计算，显著提升可扩展性。RINs将大部分计算（即全局自注意力）集中于一组潜在标记（latent tokens）上，并通过交叉注意力机制在潜在标记与数据标记之间读取和写入（即路由）信息。通过堆叠RIN模块，可实现自下而上（数据到潜在）和自上而下（潜在到数据）的反馈机制，从而构建更深层次、更具表现力的信息路由路径。尽管这种路由机制带来了新的挑战，但在循环计算场景中，这一问题相对不显著，因为任务（以及路由问题）会逐步演变，例如在扩散模型的迭代生成过程中。我们提出通过在反向扩散过程的每一次前向传播中，以先前计算得到的潜在标记作为条件，实现潜在标记的自条件化（latent self-conditioning），从而有效利用循环特性。实验表明，RINs在图像与视频生成任务中实现了当前最优的像素级扩散模型性能，无需级联结构或引导机制即可生成1024×1024分辨率图像，同时具备领域无关性，且相比二维和三维U-Net架构，计算效率最高可提升达10倍。