Autoregressive-Models-in-Vision-Survey

这篇论文和它的GitHub仓库，可以说是为所有关注计算机视觉前沿技术的人准备的一份“藏宝图”。如果你对自回归模型在图像生成、视频理解、多模态任务中的应用感兴趣，那么这个项目就是你不能错过的技术指南。 先说核心价值。自回归模型，简单理解就是像人类写文章一样，一个词一个词地预测下一个内容，只不过这里预测的是图像像素或视觉token。这个仓库汇聚了该领域最新的研究进展，它解决的痛点是：之前的综述往往只停留在自然语言处理领域，或者只关注生成任务，而现在视觉领域的自回归研究已经百花齐放，却缺乏一个系统性的梳理。这份TMLR 2025的综述恰好填补了这个空白，把从基础模型到应用方向的所有关键工作都整理出来，让你能快速了解当前的技术地图和演进脉络。 技术亮点方面，这篇综述不仅涵盖了经典的图像自回归生成（比如PixelCNN、ImageGPT等），还重点梳理了向量量化变分自编码器、多尺度自回归模型、以及结合扩散模型和语言模型的混合架构。它将这些模型按任务和架构进行了清晰分类，并且对比了它们在图像生成、视频预测、图像修复、乃至视觉语言理解等不同场景下的性能与设计思路。相比零散地读论文，这个仓库提供了一站式的系统性认知，省去了大量翻文献的时间。 这个项目适合谁用呢？如果你是刚接触视觉自回归方向的研究生、工程师，或是想了解这一派系技术是否适合自己业务场景的产品经理，都能从中获益。它也可以作为课程学习的参考，或者用来评估哪个子方向值得深入。比如你想做一个自动生成海报或视频帧的工具，看看书里提到的哪个模型更高效、质量更好，翻翻这里的工作就有答案。 上手难度几乎为零。GitHub仓库本身就是论文的辅助材料，里面有论文的arXiv链接，还有评论区里的中文解读文章。你只需要有一点点深度学习的背景知识，比如了解Transformer、注意力机制等基础概念，就能看懂综述中的分类和讨论。而且作者团队来自港大、清华、杜克等名校，论文写得非常清晰，即使是新手也能顺着它的章节找到学习路径。总之，这份资源是视觉自回归领域目前最新、最系统的一份“地图”，无论你是入门还是进阶，都值得收藏一份。