用序列模型（GPT Bert Transformer等）进行图像处理的调研记录

Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction

北大和字节团队的一篇VLM，在生成任务上，用GPT范式，声称在FID上超过了DIT，SD3和SORA。开源。
首先是multi-scale的VQVAE，然后是VAR transformer，如下图所示。每个尺度其实并不是GPT范式的，每个尺度都是Bert范式的，只是上一尺度的输出会拿来上采样，产生新一轮的输入。感觉这根本不能算是GPT范式，scale level的只是一种coarse to fine的bert而已。

Autoregressive Image Generation without Vector Quantization

这是一篇 MIT，DeepMind 和清华的论文，何凯明是作者之一，开源
文章提出去掉vq，把categorical cross-entropy loss训练的离散预测任务，改成由diffusion loss训练的连续任务。网络的输出接一个denoising diffusion（MLP），作为condition，然后算diffusion的损失：
这个diffusion就是标准的diffusion，有forward和backward，train这个diffusion model的时候顺便也把梯度传到了z，从而train到了GPT的网络。训练的时候对每一张图片采样4个不同的t来算损失，提高训练效率。noise schedule是cos shape，1000 steps。inference的时候用了100步来去噪。condition 的z通关AdaIN的方式加入到这个diffuison 网络。
本文不是GPT范式的，而是对MAE范式的一个拓展。文章认为GPT范式受限于casual attention，而对于图像来说bidirectional attention是更合理的。所以基于MAE范式做了一个AR的generation，用的还是自回归，一次根据自己上次预测的一些token，预测一些新的token，encoder用的是MAE的encoder，基于已知的tokens，做bidirectional 的attention，decoder则是加了一些mask和positional embedding，从这些空的token预测出新的东西来。并且，一次不仅预测一个token，而是多个。如下图所示：最终的MAR方案，其实是Figure2(b)的方案的decoder结构和Figure3 ©的方案表示的next sets-of-token prediction的结合。训练的时候和MAE差不多，mask ratio是0.7到1.0；inference的时候，用64步的自回归，mask ratio从1到0的曲线是cosine曲线。同时，被mask掉的token是完全random的，也就是说下一个预测的token是完全随机的。
从实验结果看，主要做的三点改进，都是有效的。第一点是把quantization+crossentropy loss改成w/o vq+diffusion loss；第二点改进是把raster order改成random order；第三点改进是把casual attention改成bidirectional attention：
可以看到，三点改进都使得FID下降了。
此外，可以看到最后多了一个CFG的变量，是因为文章引进了diffusion loss，那就可以引进classifier-free guidance，就是最后一栏的效果。不过不知道crossent是怎么引进CFG的。。
文章给了一些VLM范式的重要启发，包括casual/bidirectional direction的注意力，包括image patch放到1D squence的order，包括提出了新的MAR范式。

Taming Transformers for High-Resolution Image Synthesis

这是一篇海德堡大学的两个下属研究机构的一篇论文，开源。
文章的结构就很自然，就是GPT范式，把图像用VQGAN转成token，再用GPT做next token prediction，再用VQGAN的decoder解成img：
首先用下面的损失train一个VQ-GAN：

在这里插入图片描述

train好的VQ-GAN 有了encoder，codebook和decoder，就可以用GPT来生成img了。
如果要实现conditioned synthesis，如果条件也是图片，可以再train一个针对条件的VQ-GAN，然后把条件的tokens放在前面，继续用GPT的方式来生成输出的token即可。
另一点是，生成图像的时候，如果用上全局注意力，成本太高了。因此，用了局部注意力，结合上next token prediction，整体看起来就是这样的：
使用1024的code book，16x16的sequence length，GPT2-medium的结构（307M parameters），12G显存。

Autoregressive image generation using residual quantization

这是两个韩国人发的一篇论文，虽然是22年的，但是残差量化的思想还挺有意思的。同时，这也是一个GPT范式的工作
本文对VQ-VAE进行了改进，VQ只有一个codebook，存在各种问题。RQ-VAE把VQ量化后的结果和量化前的特征计算的残差，也进行量化，并且和第一步的量化共享码表。
因此，每张图片，考虑有D层的残差，应该有TD个token，其中T是HW。直接对TD长度的sequence做transformer反而时间复杂度太高。为此，专门设计了RQ-Transformer。
首先就是把TD给按设计的那样求和起来，也就是说D个token求和变成最接近量化前的那个vector，这样sequence length就是T了。这一步称为spatial transformer。spatial transformer的结果就是对T个token会产生T个输出的h。第二步，就是用这T个h，各自用AR的方式，去自回归生成D个token，这一步称为depth transformer。这TD个token最终就可以用最初定义的方式去decode回图像。
inference的时候，就很自然，给一个起始的u1，spatial transformer的输出就是v1，v1送进depth transformer，输出S11，S11再送进depth transformer，AR地继续产生S12，S13，。。。到S1D，然后求和，产生u2，u2再送进spatial transformer，产生v2，以此类推，就能够自回归地生成一张图片。如下图所示：
接着提出了两个配合的训练策略。就GPT训练的时候输入一般是直接把GT放进来，然后用casual mask来训练，测试才自回归嘛。如果要采样自回归，就没法一整个句子并训练，会慢很多。但这里，因为有VQ encoder，所以其实还是可以给输入加一下扰动的，就是quantize的时候，根据与code book的距离用采样的策略而不用min；然后label也同样用距离的函数来算一个soft label而非one-hot的label。从消融实验可以看到加上这两个trick，FID稍微低了一点。

Vector-quantized image modeling with improved vqgan

这是google search发表在ICLR2022上的工作，使用的是GPT范式，把VQGAN改进了一下。
首先是把VQ-GAN的encoder改成了ViT, patch size是88，一张256256的图片会切成32*32个patch，一共1024个token。不过文章声称，从CNN改成transformer，只要给更多的训练数据，不仅performance提升了，速度也加快了，很神奇，1024个token的transformer会比CNN快吗？
对于VQ的过程也做了几点改进，首先还是用sample而不是用最小距离选code；其次look up的时候不是直接对比encoder的输出和码表，而是用一个linear projection把256d的code映射到32d上再去look up，这提高了reconstruction的表现。第三是对encoder和codebook都做了L2归一化，使得code限制在一个球面上。
ViT-VQGAN的损失函数如下：

Movq: Modulating quantized vectors for high-fidelity image generation

这是澳大利亚蒙纳士大学的几个看名字像是中国人发在NIPS2022的一篇论文。非GPT范式。
这里说用了spatially conditional normalization为不同位置的相同zq提供了变化，但从公式上看并没有，不同位置的相同zq，其γ，β，μ，σ，应该都是一样的，感觉有点扯淡，NIPS的审稿人什么水平，这都看不出：
然后是把encoder的输出分了几组channels，各自用一个共享的codebook进行量化。
然后是用的MaskGIT的范式，而非GPT范式，加上自己说了code可以切分，所以mask会有三个维度去random mask一些code。
从第一个spatially conditional normalization看起来就觉得有点扯淡，估计是篇水货。

Maskgit: Masked generative image transformer

google research的一篇Bert范式的图像生成论文。流程如下所示，唯一的特点是，推理的时候每次迭代其实是全部预测一次，但是根据置信度进行排序，然后只保留前n部分，n随迭代次数线性增加。

Denoising autoregressive representation learning

google deepmind的一篇ICML2024的论文
方法确实是GPT范式，从图片中看起来怪怪的，其实是给了两个方案。一个是直接就GPT套上去，加一个MSE Loss，不需要quantize，也不是cross entropy；另一个方案就是GPT的输出加噪，然后用diffusion的方式训练，跟Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction有点类似，但是后者是用conditional的方式加进去的，而这里是直接加噪到GPT的输出上。
这个看起来只是个预训练提取特征的任务，并不是为了生成。

Diffusion Models as Masked Autoencoders

这是Meta AI的一篇论文，提出了DiffMAE模型，用 diffusion model 来实现MAE，其实就是把MAE的decoder，改成diffusion，结构如下图所示：
它做的任务更多还是为了pretrain一个encoder，生成任务并没有过多介绍。

Unified-io: A unified model for vision, language, and multi-modal tasks.

华盛顿大学的一篇论文，开源，很牛逼，提出一个统一模型能够同时做 pose estimation，object detection，depth estimation， image generation 和一些vision-language 任务如region captioning，referring expression等。
其核心在于把这些任务的输入输出都建模为离散的token的序列，从而能够用一个Seq2Seq模型统一处理这些任务。其中数据格式分为四类：文本，图片，dense 如segmentation label，sparse 如object detection label。
在输入中，会用文本prompt指定任务类型。然后文本用SentencePiece来分词做token，dense转成图片，其中segmentation任务会先随机给类别上色，再用文本指出每种颜色代表什么类别。然后所有的图片和dense转成的图片会用VQ-GAN来量化成token，codebook size为16384。sparse则用一个额外的vocabulary来对坐标的每个维度单独编码，如一个点就有两个token，一个x一个y，一个box则有4个token，分类则用text表示。
模型的结构是T5，是transformer的encoder-decoder结构。此外，对图像做了2-d相对位置编码和1d绝对值位置编码，两种都有。

Conditional Image Generation with PixelCNN Decoders

这是google deepmind 2016年的一篇文章，改进了PixelCNN。这里就和PixelCNN一起讲。PixelCNN也是一个自回归模型，它一次前向只预测一个像素，因此需要重复H*W次前向来生成一张图片：
文章的改进是在卷积层的激活函数中加了门控和条件向量：

Generative Pretraining from Pixels

这篇文章其实做的是MAE差不多的事情，是用GPT和Bert的预训练模式来预训练一个图像模型，并以提供一个好的image encoder。不过这里没有tokenizer，也没有分patch，而仅仅只是把图片降采样成32x32，然后直接reshape成1D,也就是说一个token就是一个像素。
最终做分类任务的时候用的是最后一层的avg pooling作为特征。从下面的实验结果可以看到，GPT的范式提取的特征，总体来说比Bert范式要好一些

Generating Diverse High-Fidelity Images with VQ-VAE-2

这是deepmind在2019年发表在NIPS上的一篇论文，用的是PixelCNN来生成图像，不过有多尺度的VQ，开源，可以参考：
这里可以看到，有两个encoder和两个decoder。有点复杂，算法如下：
两个encoder的输入都包含输入的图片，产生低分辨率特征的encoder仅以图片为输入，而产生高分辨率特征的encoder以量化后的低分辨率特征和图片同时作为输入。decoder则以量化后的两个特征图为输入，重建图像。
VQ-VAE2训练完成后，要额外train 一个PixelCNN和一个条件PixelCNN来生成图像，PixelCNN就负责采样生成低分辨率特征图，条件PixelCNN负责以低分辨率特征图为条件，生成高分辨率特征图，再过第一阶段train的decoder生成图片。

Unified-IO 2: Scaling Autoregressive Multimodal Models with Vision, Language, Audio, and Action

这是华盛顿大学的第二版Unified-IO，发表在CVPR2024，开源
网络结构如下图所示，仍然沿用第一版的T5 transformer模型。不过引进了一些其它的trick，包括RoPE, QK Norm，Scaled Cosine Attention，能够提高训练稳定性。
这里的dynamic packing是一种加速训练的方式，把序列长度短的sample用mask放到同一个sequence里面去作为一个sample，从而对齐batch。