摘要
我们提出了一种全新的图像生成方法，该方法将图像分解为一个结构化的序列，其中序列中的每个元素具有相同的空间分辨率，但所使用的唯一标记（token）数量不同，从而捕捉不同层次的视觉细节粒度。图像生成通过我们新提出的下一视觉粒度（Next Visual Granularity, NVG）生成框架实现，该框架从一张空白图像开始，以结构化的方式逐步生成视觉粒度序列，由整体布局逐步细化至精细细节。这一迭代过程编码了一种分层的、多层级的表示结构，实现了对多粒度层级下生成过程的精细控制。我们在 ImageNet 数据集上训练了一系列用于类别条件图像生成的 NVG 模型，并观察到明显的模型规模扩展行为。与 VAR 系列方法相比，NVG 在 FID 分数上始终表现更优（3.30 → 3.03，2.57 → 2.44，2.09 → 2.06）。我们还进行了广泛的分析，以展示 NVG 框架的能力与潜力。相关代码与模型将公开发布。