上一篇
WarriorCoder是什么？一文让你看懂WarriorCoder的技术原理、主要功能、应用场景
xAR是什么？一文让你看懂xAR的技术原理、主要功能、应用场景
来源：卓商AI
发布时间：2025-04-05
xAR概述简介
xAR 是字节跳动和约翰·霍普金斯大学联合提出的新型自回归视觉生成框架。框架通过“下一个X预测”（Next-X Prediction）和“噪声上下文学习”（Noisy Context Learning）技术，解决了传统自回归模型在视觉生成中的信息密度不足和累积误差问题。
xAR的功能特色
下一个X预测（Next-X Prediction）：扩展了传统的“下一个标记预测”，支持模型预测更复杂的实体（如图像块、单元、子采样、整个图像等），捕捉更丰富的语义信息。
噪声上下文学习（Noisy Context Learning）：通过在训练中引入噪声，提高模型对误差的鲁棒性，缓解累积误差问题。
高性能生成：在 ImageNet 数据集上，xAR 模型在推理速度和生成质量上均优于现有技术，如 DiT 和其他扩散模型。
灵活的预测单元：支持多种预测单元设计（如单元、子采样、多尺度预测等），适用于不同的视觉生成任务。
xAR的技术原理
流匹配（Flow Matching）：xAR基于流匹配方法将离散的标记分类问题转化为连续的实体回归问题。具体来说：
模型通过插值和噪声注入的方式生成带噪声的输入。
在每个自回归步骤中，模型预测从噪声分布到目标分布的方向流（Velocity），从而逐步优化生成结果。
推理策略：在推理阶段，xAR采用自回归的方式逐步生成图像：
首先从高斯噪声中预测初始单元（如8×8的图像块）。
基于已生成的单元，模型逐步生成下一个单元，直到完成整个图像的生成。
实验结果：xAR在ImageNet-256和ImageNet-512基准测试中取得了显著的性能提升：
xAR-B（1.72亿参数）模型在推理速度上比DiT-XL（6.75亿参数）快20倍，同时在弗雷歇 inception 距离（FID）上达到1.72，优于现有的扩散模型和自回归模型。
xAR-H（11亿参数）模型在ImageNet-256上达到了1.24的FID，创造了新的最优水平，且不依赖于视觉基础模型（如DINOv2）或高级引导区间采样。
xAR项目介绍
项目官网：https://oliverrensu.github.io/project/xAR/
arXiv技术论文：https://arxiv.org/pdf/2502.20388
xAR能做什么？
艺术创作：艺术家可以用xAR生成创意图像，作为艺术作品的灵感来源或直接用于创作。xAR能生成具有丰富细节和多样风格的图像，支持不同分辨率和风格的创作需求。
虚拟场景生成：在游戏开发和虚拟现实（VR）中，xAR可以快速生成逼真的虚拟场景，包括自然景观、城市环境和虚拟角色等，提升用户体验。
老照片修复：通过生成高质量的图像内容，xAR可以修复老照片中的损坏部分，恢复其原始细节和色彩。
视频内容生成：xAR可以生成视频中的特定场景或对象，用于视频特效制作、动画生成和视频编辑。
数据增强：通过生成多样化的图像，xAR可以扩充训练数据集，提升模型的泛化能力和鲁棒性。
© 版权声明:本站所有原创文章版权均归卓商AI工具集及原创作者所有，未经允许任何个人、媒体、网站不得转载或以其他方式抄袭本站任何文章。
相关文章
-
CHANGER是什么？一文让你看懂CHANGER的技术原理、主要功能、应用场景2025-04-05 -
Kiroku是什么？一文让你看懂Kiroku的技术原理、主要功能、应用场景2025-04-05
-
Vision Search Assistant是什么？一文让你看懂Vision Search Assistant的技术原理、主要功能、应用场景2025-04-05
-
MVDrag3D是什么？一文让你看懂MVDrag3D的技术原理、主要功能、应用场景2025-04-05
-
Chonkie是什么？一文让你看懂Chonkie的技术原理、主要功能、应用场景2025-04-05
-
MSQA是什么？一文让你看懂MSQA的技术原理、主要功能、应用场景2025-04-05
卓商AI
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
最新发布
1
2
3
4
5
6
7
8
9
10
猜你喜欢
courses ai
使用Courses.ai轻松创建您的在线课程。不再等待几个月 - AI课程创建者允许您在几天内建立课程。凭借蓝图，模板和AI助手，将您的专业知识带入...
Luna.ai
Luna.ai是一款革命性的潜在客户挖掘工具，通过提供高度个性化的邮件建议，帮助您快速找到潜在客户并与其互动。不需要繁琐的挖掘过程，不需要花费大量时间...
everyprompt.com
Everyprompt是一个用于GPT-3的游乐场。在这里，您可以探索和使用最新的语言模型，构建和分享与GPT-3一起使用的工具，了解人工智能的未来。...
Sugar Free
Sugar Free: Food Scanner 是一款致力于帮助用户克服糖瘾、提升饮食选择的健康类应用。它通过先进的AI技术，可以扫描食品标签以发现...
PdfPal AI
PdfPal AI是一款智能PDF聊天工具，通过AI驱动的对话，轻松简化复杂文档，无论主题或行业，都能为您提供内容和见解的指导。用户可以轻松上传PDF...
Llama-3.1-Nemotron-51B
Llama-3.1-Nemotron-51B是由NVIDIA基于Meta的Llama-3.1-70B开发的新型语言模型，通过神经架构搜索（NAS）技术...
CodyAI
Cody 是一款强大而准确的 AI 编码助手，可帮助编写、修复和维护代码。它利用人工智能和对代码库的深入理解，帮助用户更快地编写和理解代码。...
Read To Me
Read To Me是一个在线服务，它使用户能够将PDF文件转换成音频格式，从而在各种设备上收听，提高信息获取的便捷性和效率。这项技术的主要优点包括一...
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
