Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2504.21356

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2504.21356 (cs)
[提交于 2025年4月30日 (v1) ,最后修订 2025年7月15日 (此版本, v3)]

标题: Nexus-Gen:通过共享嵌入空间中的预填充自回归实现统一的图像理解、生成和编辑

标题: Nexus-Gen: Unified Image Understanding, Generation, and Editing via Prefilled Autoregression in Shared Embedding Space

Authors:Hong Zhang, Zhongjie Duan, Xingjun Wang, Yuze Zhao, Weiyi Lu, Zhipeng Di, Yixuan Xu, Yingda Chen, Yu Zhang
摘要: 统一的多模态生成模型旨在整合图像理解和生成能力,在利用多模态语料库,特别是交错的文本-图像数据方面具有显著优势。然而,现有的统一模型在图像合成质量、自回归误差累积和图像编辑能力方面存在局限性。在本工作中,我们提出了Nexus-Gen,一种新颖的架构,它在一个共享的图像嵌入空间中统一了图像理解、生成和编辑任务。这个共享空间作为自回归和扩散模型之间的桥梁,无缝整合了它们在跨模态建模中的互补优势。为了减轻自回归嵌入预测过程中的严重误差累积,我们提出了一种新的预填充自回归策略,通过用可学习嵌入预填充输入序列来对齐训练-推理动态。在我们构建的包含2630万样本的大规模数据集上进行多阶段和多任务训练后,Nexus-Gen在涵盖图像理解、生成和编辑任务的评估基准上达到了最先进性能。所有模型、数据集和源代码都发布在https://github.com/modelscope/Nexus-Gen,以促进该领域的进一步发展。
摘要: Unified multimodal generative models aim to integrate image understanding and generation abilities, offering significant advantages in harnessing multimodal corpora, particularly interleaved text-image data. However, existing unified models exhibit limitations in image synthesis quality, autoregressive error accumulation, and image editing capability. In this work, we propose Nexus-Gen, a novel architecture that unifies image understanding, generation, and editing tasks in a shared image embedding space. This shared space serves as a bridge for the autoregressive and diffusion models, which seamlessly integrates their complementary strengths in cross-modal modeling. To mitigate the severe error accumulation during autoregressive embedding prediction, we propose a novel prefilled autoregression strategy that aligns training-inference dynamics by prefilling input sequences with learnable embeddings. After multi-stage and multi-task training on our constructed large-scale dataset with 26.3 million samples, Nexus-Gen achieves state-of-the-art performance on the evaluation benchmarks spanning image understanding, generation and editing tasks. All models, datasets, and source codes are released in https://github.com/modelscope/Nexus-Gen to facilitate further advancements across the field.
主题: 计算机视觉与模式识别 (cs.CV) ; 人工智能 (cs.AI)
引用方式: arXiv:2504.21356 [cs.CV]
  (或者 arXiv:2504.21356v3 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2504.21356
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Hong Zhang [查看电子邮件]
[v1] 星期三, 2025 年 4 月 30 日 06:30:48 UTC (3,498 KB)
[v2] 星期四, 2025 年 5 月 8 日 08:58:12 UTC (3,500 KB)
[v3] 星期二, 2025 年 7 月 15 日 09:23:42 UTC (4,608 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-04
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号