计算机科学 > 计算机视觉与模式识别
[提交于 2025年7月2日
]
标题: 基于线性复杂度的自回归图像生成:一种空间感知衰减视角
标题: Autoregressive Image Generation with Linear Complexity: A Spatial-Aware Decay Perspective
摘要: 自回归(AR)模型因其能够有效捕捉视觉数据中的局部和全局结构而在图像生成中引起了广泛关注。 然而,流行的AR模型主要依赖于变压器架构,这些架构由于需要维护键值缓存而存在关于输入序列长度的二次计算复杂性和显著的内存开销。 尽管线性注意力机制在语言模型中成功减轻了这一负担,但我们的初步实验表明,由于无法捕捉视觉数据中的关键长距离依赖关系,它们会显著降低图像生成质量。 我们提出了线性注意力与空间感知衰减(LASAD),这是一种新的注意力机制,通过基于真实二维空间位置而非一维序列位置计算位置相关的衰减因子,从而显式地保留展平图像序列中的真实二维空间关系。 基于此机制,我们提出了LASADGen,一种自回归图像生成器,它以线性复杂度实现了对相关空间上下文的选择性注意力。 在ImageNet上的实验表明,LASADGen实现了最先进的图像生成性能和计算效率,弥合了线性注意力的效率与高质量生成所需的空间理解之间的差距。
文献和引用工具
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
推荐器和搜索工具
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.