标签
RoAR-VAE提出通过从受损隐变量中鲁棒地预测语义与重建信息来改进视觉tokenizer,在保持重建保真度的同时提升下游扩散模型的可学习性,平均生成基准提升2.19分,小文本重建精度较FLUX.1-VAE提升16.93个百分点。
UniAR提出了一个统一的自回归框架,使用单个离散视觉分词器桥接视觉理解与生成,在图像生成和编辑方面取得了最佳成果。