导读
该论文用扩散过程描述连续词元的概率分布，将自回归建模与连续潜变量连接起来，说明自回归图像生成并不必然依赖离散量化。
查看大图 ↗图1：连续词元上的Diffusion Loss及自回归条件。 来源为v3，图像版本与论文首次公开日分别记录。
Li, Tianhong; Tian, Yonglong; Li, He; Deng, Mingyang; He, Kaiming · original paper / arXiv · 原论文图文与所引作品权利归各自权利人；研究引用不代表开放授权，转载权利待独立复核。
资料出处 · Autoregressive Image Generation without Vector Quantization ↗档案研究说明
该论文用扩散过程描述连续词元的概率分布，将自回归建模与连续潜变量连接起来，说明自回归图像生成并不必然依赖离散量化。
ANTI-AI ARCHIVE · 修订 2026-10-03
论文研究了什么
作者用Diffusion Loss替代通常针对离散类别的交叉熵，建模每个词元的条件分布，并测试标准自回归与掩码自回归变体。扩散在这里参与局部概率建模，而不是简单替代整个序列组织。
与生成艺术史的关系
编者解释：这使“扩散还是自回归”的二分不足以描述全部生成工具。记录混合方法有助于说明图像编码、排列顺序和抽样过程可以分别改变。
阅读边界与版本
连续表示仍受编码器与训练数据限制；无向量量化不意味着图像信息无损保存。
正文引用资料
核读arXiv摘要、署名和版本记录，以及原论文第2页所选图页；未全文审查证明、未复现实验。
核读arXiv摘要、署名和版本记录，以及原论文第2页所选图页；未全文审查证明、未复现实验。 正文与译文使用 AI 辅助，尚未经独立人工审校；分节引文标明依据，不代表已独立验证全部史实。
带着问题继续阅读
MAR / Diffusion Loss：对照VAR：通过下一尺度预测进行视觉自回归生成的方法、控制或评价条件。
MAR / Diffusion Loss：对照Parti的方法、控制或评价条件。
MAR / Diffusion Loss：对照PixArt-α的方法、控制或评价条件。
日期与版本记录
节点标注日期：2024-06-17 · 来源记录的历史日期：2024-06-17
时间线采用arXiv首次公开日，不以会议发表、模型上线或2026-10-03补录日替代。正文及图像参照v3；该版日期见原文版本记录。
以上日期属于历史事件或资料所记版本，不是本站页面的上线日期；保留原有日期精度与待核事项。
原始资料与进一步阅读
以下链接通往来源的论文、文章、机构或会议页面。外部原文的语言以来源为准。
Autoregressive Image Generation without Vector Quantization
https://arxiv.org/abs/2406.11838
当前引用地址
核读arXiv摘要、署名和版本记录，以及原论文第2页所选图页；未全文审查证明、未复现实验。
出处、翻译与核验状态
档案节点 #279 · 研究论文首次公开；方法、评估与制作条件
研究资料与补充出处 · 1
2022年以来重要论文补录与去重资料 · 核读arXiv摘要、署名和版本记录，以及原论文第2页所选图页；未全文审查证明、未复现实验。 · 026
原记日期: 2024-06-17
MAR与Diffusion Loss：无需向量量化的自回归图像生成 ↗
Autoregressive Image Generation without Vector Quantization
站内说明依据所列研究资料撰写，非外链全文译本；AI 辅助翻译，待独立人工审校。
已按条目所列范围核读官方资料；核读范围与待复核事项见来源说明。
引用本节点
ANTI-AI ARCHIVE. MAR与Diffusion Loss：无需向量量化的自回归图像生成. 艺术史节点 #279. https://salondesrefuses.cn/zh/art-history/349
引用具体史实时，请同时引用上方原始资料，并补充你的访问日期。本站说明不是外链全文译本。
相邻节点按时间顺序排列，不意味着二者存在直接影响或因果关系。