深度分析
DenseAR：單尺度 tokenizer 結合密集步幅的自回歸影像生成新架構
本研究提出DenseAR，以單尺度tokenizer結合密集步幅預測，實現粗到細的階層生成，同時保持單格緊湊。實驗在ImageNet與多對比腦部MRI上顯示，品質與效率均優於傳統光柵或多尺度模型，且首次在單一自回歸模型中同時支援跨模態翻譯、條件生成與腫瘤分割，預示AI影像平台未來可朝通用化發展。
深度分析
本研究提出DenseAR，以單尺度tokenizer結合密集步幅預測，實現粗到細的階層生成，同時保持單格緊湊。實驗在ImageNet與多對比腦部MRI上顯示，品質與效率均優於傳統光柵或多尺度模型，且首次在單一自回歸模型中同時支援跨模態翻譯、條件生成與腫瘤分割，預示AI影像平台未來可朝通用化發展。
深度分析
研究指出，自回歸影像生成在重建與生成間有落差，提出僅用AR損失訓練的前置代碼Prologue，將生成代碼前置於視覺代碼，成功降低gFID逾四成且保留重建品質，展示以獨立生成表示提升AR效能的新方向。在ImageNet 256×256測試中，Prologue‑Base將gFID從21.01降至10.75。