Визуальное автономное поколение с последующим воображением токена

arXiv: 261 030.36793v 1 Annuales Type: новый резюме: пространство возможного визуального контента огромно и, возможно, не ограничено. Таким образом, любой набор тренировок, какой бы большой он ни был, охватывает лишь небольшую часть его. Тем не менее, модели регенерации обычно обучаются только тому, как они подходят для изображения. Например, в визуальном авторегрессивном (AR) поколении каждый символ предсказывается из предыдущих знаков наземной правды и контролируется только следующим символом GT. Таким образом, усвоение наблюдаемых данных ограничивает количество визуального распределения, которое может запечатлеть модель. В этой работе мы исходим из того, что возможность представления модели за пределами ее учебных данных путем изучения достоверных визуальных представлений, которые она никогда не видела, может ослабить это ограничение. Мы используем визуальное AR-генерирование как доказательство концепции, поскольку его фиксированное дискретное символическое пространство облегчает воображение для управления и ограничения. Мы предлагаем следующее воображение Token (NTI) — метод, позволяющий модели исследоваться за пределами GT следующего символа при условии ca