腾讯突破传统图像生成：不再需要"翻译"就能直接创造连续画面

这项由腾讯公司微信AI团队的邵晨泽、孟凡东和周杰三位研究者共同完成的突破性研究，发表在2025年第42届机器学习国际会议（ICML 2025）上。有兴趣深入了解的读者可以通过论文代码库https://github.com/shaochenze/EAR访问完整研究资料。

要理解这项研究的重要意义，我们可以从一个简单的类比开始。传统的AI图像生成就像是让一个外国人画画，他必须先把你的要求翻译成自己的语言，再用有限的颜色盒子里的颜色来作画。这个"翻译"过程不可避免地会丢失一些细节和色彩层次。而腾讯这项新研究就像是教会了AI直接用无限丰富的调色板来作画，不再需要任何"翻译"步骤。

在传统方法中，计算机需要先把连续的图像信息转换成离散的"代币"（就像把连续的彩虹色彩切分成有限的几种颜色），然后再用这些有限的代币来重新组合生成图像。这个过程就像用马赛克拼图来还原一幅油画，总是会丢失一些精细的渐变和细节。腾讯的研究团队发现了一种全新的方法，让AI能够直接处理连续的视觉信息，就像真正的画家一样可以调出任何需要的色彩。

这种突破的核心在于他们建立了一个叫做"连续视觉自回归生成"的框架。自回归听起来很复杂，但其实就是AI一步一步地生成图像的方式，就像画家一笔一笔地完成画作。传统方法需要先把画作"量化"成固定的几种颜色，而新方法让AI可以直接使用无限丰富的色彩。

研究团队的创新之处在于运用了一种叫做"严格适当评分规则"的数学工具。这个概念听起来很学术，但实际上它就像是一个非常诚实的评判系统。当AI生成图像时，这个评判系统会给出最公正的分数，而且它有一个特殊的性质：只有当AI完全诚实地反映真实图像分布时，它才能得到最高分。任何偏离真实的生成都会导致分数下降。

在这个框架下，研究团队主要探索了一种基于"能量分数"的训练方法。能量分数是一种不需要明确计算概率的评分方式，这解决了连续空间中概率计算极其困难的问题。就像评判一个画家的水平，你不需要用复杂的数学公式，而是可以直观地看画作是否生动、是否接近真实。

有趣的是，之前一些看似不同的研究方法，比如GIVT（生成无限词汇表变换器）和扩散损失，实际上都可以在这个新框架下得到统一的解释。GIVT使用的是对数评分，而扩散损失对应的是Hyvarinen评分。这就像发现了不同烹饪方法背后的共同原理一样，为整个领域提供了更深层的理解。

基于这个理论框架，研究团队开发了一种叫做EAR（Energy-based AutoRegression，基于能量的自回归）的具体方法。这个方法的巧妙之处在于，它不需要明确估计概率密度，只需要能够从模型分布中采样即可。这大大降低了实现的复杂度，同时提供了更大的表达能力。

EAR使用的能量损失函数有一个很直观的含义：它鼓励模型生成的样本尽可能接近目标图像，同时保持生成样本之间的多样性。这就像训练一个画家，既要画得像，又要保持创作的多样性，不能总是画出一模一样的作品。

在具体的模型架构上，能量变换器与传统的离散变换器非常相似，主要区别在于输出层。传统方法使用softmax层从有限的词汇表中选择，而能量变换器使用一个小型的多层感知机生成器，它可以接受随机噪声作为额外输入，通过采样过程隐式地表示预测分布。这种设计类似于生成对抗网络中的生成器，但更加简洁高效。

研究团队在设计中还加入了几个重要的技术细节。首先是温度机制，这允许在训练和推理过程中调节生成的多样性和准确性之间的平衡。训练时可以稍微降低多样性来提高质量，推理时可以调节创意水平。其次是无分类器引导技术，这是一种在条件生成中提高质量的标准方法，通过同时考虑有条件和无条件的预测来增强生成效果。

另一个重要创新是支持掩码自回归生成。与传统的从左到右的因果生成不同，掩码自回归允许双向注意力，可以更有效地学习表示。生成时，模型可以以随机顺序预测被掩盖的token，逐步完成整个图像。这种方法在实验中表现出比因果生成更好的效果。

在训练过程中，研究团队发现了一个关键的技术要点：MLP生成器需要使用比主干网络更小的学习率。这是因为生成器的训练稳定性要求更加严格，需要更细致的调优。他们还探索了不同类型和维度的随机噪声对模型性能的影响，发现均匀分布的64维噪声效果最佳。

实验验证是这项研究的重要组成部分。研究团队在ImageNet 256×256基准数据集上进行了全面的评估，这是计算机视觉领域的标准测试平台。他们将EAR方法与多种现有技术进行了比较，包括生成对抗网络、扩散模型和基于向量量化的自回归模型。

结果显示，EAR在生成质量上取得了竞争性的表现。特别值得注意的是，EAR-B（205M参数）获得了2.83的FID分数，EAR-H（937M参数）达到了1.97的FID分数，这些结果在同等规模的模型中表现优异。更重要的是，EAR在推理效率方面显著优于基于扩散的方法，能够在大约1秒内生成高质量图像，而对比方法MAR需要近10倍的时间。

这种效率优势源于EAR和MAR在概率建模方面的根本差异。MAR使用扩散损失训练，需要多次去噪迭代来恢复目标分布，而EAR的能量式监督使其能够在单次前向计算中完成预测。这就像传统方法需要反复修改草稿，而新方法可以一气呵成。

研究团队还进行了详细的消融实验来验证设计选择的合理性。他们发现，严格适当性对于评分规则确实至关重要。在能量损失中，指数系数α的选择需要在(0,2)范围内，α=2时虽然评分规则仍然适当，但不是严格适当的，训练效果显著下降。这验证了理论分析的正确性。

在表达能力方面，研究显示能量变换器相比使用预定义分布（如高斯分布）的方法具有明显优势。预定义分布的方法虽然可以通过调整方差获得一定的生成质量，但与EAR相比仍有显著差距，说明连续token分布的复杂性需要更灵活的建模方法。

连续tokenizer相比离散tokenizer的优势也得到了实验验证。使用相同模型架构时，连续tokenization配合能量损失始终优于离散tokenization配合交叉熵损失。这凸显了连续视觉自回归的巨大潜力。

在技术细节的探索中，研究团队发现学习率的调整对训练稳定性至关重要。使用常规学习率时模型无法收敛，而将MLP生成器的学习率调整为主干网络的0.25倍后，训练过程得到稳定。这个发现为后续研究提供了重要的实践指导。

噪声类型和维度的选择也经过了系统的实验验证。均匀噪声相比高斯噪声表现更好，64维的噪声维度在32、64、128三个选项中效果最佳。这些发现为实际应用提供了具体的参数选择指导。

分类器自由引导在EAR中发挥了重要作用。通过线性增加引导尺度，可以在生成质量和多样性之间取得良好平衡。实验显示，随着引导尺度增加，Inception Score持续提升，而FID在尺度为3.0左右达到最优值，过高的引导尺度会损害生成多样性。

温度机制的实验验证了其在质量-多样性权衡中的有效性。训练温度设为0.99，推理温度设为0.7时获得了最佳效果。这种机制为用户在实际应用中根据需求调节生成特性提供了灵活性。

掩码自回归相比因果自回归显示出明显优势，FID从17.83改善到7.95（无引导情况下），从8.10改善到3.55（有引导情况下）。这验证了双向注意力在视觉生成任务中的价值。

速度-质量权衡分析显示，EAR在推理延迟和生成质量的平衡方面具有显著优势。在固定64个自回归步数的情况下，通过调整模型大小可以在不同的速度-质量工作点之间选择，而MAR即使使用不同的扩散步数也难以达到EAR的效率水平。

这项研究的理论贡献不仅限于技术实现，还为连续视觉自回归生成提供了统一的理论框架。通过严格适当评分规则的视角，可以理解和比较不同的连续生成方法，为未来的研究方向提供了清晰的指导。

实际应用方面，这种技术可以显著改善需要高质量图像生成的各种场景。从艺术创作到内容生成，从数据增强到虚拟环境构建，连续视觉自回归都能提供更精细、更高效的解决方案。特别是在需要实时或近实时生成的应用中，EAR的效率优势将发挥重要作用。

研究团队也诚实地指出了当前方法的局限性和未来改进方向。架构优化仍有很大空间，可以探索更适合连续生成的网络结构。评分规则的选择还可以进一步研究，不同的严格适当评分规则可能在特定任务上有不同的优势。扩展到视频、音频等其他连续模态也是自然的发展方向。

另一个有趣的研究方向是将这种方法应用到语言建模中。虽然文本本质上是离散的，但通过将离散文本转换为潜在向量表示，可能也能从连续建模中受益。这种跨模态的思考体现了研究的深度和广度。

从更宏观的角度来看，这项研究反映了AI生成技术正在从粗糙的拼接向精细的创作演进。就像从马赛克艺术发展到油画技法一样，技术的进步让AI能够处理更加细腻和连续的信息，生成更加自然和逼真的内容。

这种进步不仅体现在技术层面，也反映了我们对生成模型本质理解的深化。通过统一的理论框架，研究者可以更好地理解不同方法之间的关系，从而设计出更有效的算法。这种理论指导实践、实践验证理论的良性循环，正是科学研究的核心价值所在。

最终，这项研究为连续视觉生成开辟了新的技术路径。它不仅在当前任务上取得了优异表现，更重要的是为整个领域提供了新的思考框架和发展方向。随着技术的进一步发展和优化，我们有理由期待看到更加智能、高效和强大的视觉生成系统。

说到底，腾讯这项研究的真正价值在于打破了传统思维的局限。它告诉我们，AI不一定要按照人类设计的"翻译"规则来工作，而是可以直接学习和模拟自然界中连续变化的规律。这种思路的转变，可能会在更多AI应用领域带来突破性进展。对于普通用户来说，这意味着未来我们可能会看到更加精美、生成速度更快的AI绘画工具，让每个人都能轻松创作出专业级别的视觉作品。随着这类技术的成熟和普及，创意表达的门槛将进一步降低，让更多人能够实现自己的艺术想法。有兴趣深入了解技术细节的读者，可以访问研究团队公开的代码库，亲自体验这项创新技术的魅力。

Q&A

Q1：什么是连续视觉自回归生成？它和传统方法有什么不同？ A：连续视觉自回归生成是一种让AI直接处理连续图像信息的新方法，就像画家直接用调色板调色一样。传统方法需要先把图像"翻译"成有限的离散代币（像用马赛克块拼图），会丢失细节。新方法跳过了这个"翻译"步骤，能保留更多图像的精细信息，生成质量更高。

Q2：EAR方法会不会取代现有的图像生成技术？ A：EAR在某些方面确实有优势，特别是生成速度比扩散模型快近10倍，但不会完全取代所有方法。不同技术各有特点，EAR主要优势在于效率高、质量好，适合需要快速生成的场景。未来可能会看到多种技术并存，在不同应用中发挥各自优势。

Q3：普通人能使用这种技术吗？有什么实际应用？ A：目前这还是研究阶段的技术，普通人暂时无法直接使用。但随着技术成熟，预计会集成到各种图像生成工具中，让AI绘画、内容创作、游戏开发等应用变得更快更好。未来可能出现在手机拍照美化、社交媒体内容生成、在线设计工具等日常应用中。