Modèles autorégressifs en vision : une enquête

Autoregressive Models in Vision: A Survey

November 8, 2024

Auteurs: Jing Xiong, Gongye Liu, Lun Huang, Chengyue Wu, Taiqiang Wu, Yao Mu, Yuan Yao, Hui Shen, Zhongwei Wan, Jinfa Huang, Chaofan Tao, Shen Yan, Huaxiu Yao, Lingpeng Kong, Hongxia Yang, Mi Zhang, Guillermo Sapiro, Jiebo Luo, Ping Luo, Ngai Wong

cs.AI

Résumé

La modélisation autorégressive a connu un immense succès dans le domaine du traitement du langage naturel (NLP). Récemment, les modèles autorégressifs ont émergé comme un domaine d'intérêt majeur en vision par ordinateur, où ils excellent dans la production de contenus visuels de haute qualité. Les modèles autorégressifs en NLP opèrent généralement sur des jetons de sous-mots. Cependant, la stratégie de représentation en vision par ordinateur peut varier à différents niveaux, c'est-à-dire au niveau des pixels, au niveau des jetons ou au niveau de l'échelle, reflétant la nature diverse et hiérarchique des données visuelles par rapport à la structure séquentielle du langage. Cette étude examine de manière exhaustive la littérature sur les modèles autorégressifs appliqués à la vision. Pour améliorer la lisibilité pour les chercheurs de différents horizons de recherche, nous commençons par une représentation séquentielle préliminaire et la modélisation en vision. Ensuite, nous divisons les cadres fondamentaux des modèles autorégressifs visuels en trois sous-catégories générales, comprenant des modèles basés sur les pixels, les jetons et l'échelle en fonction de la stratégie de représentation. Nous explorons ensuite les interconnexions entre les modèles autorégressifs et d'autres modèles génératifs. De plus, nous présentons une catégorisation multifacette des modèles autorégressifs en vision, comprenant la génération d'images, la génération de vidéos, la génération 3D et la génération multi-modale. Nous détaillons également leurs applications dans divers domaines, y compris des domaines émergents tels que l'IA incarnée et l'IA médicale 3D, avec environ 250 références connexes. Enfin, nous mettons en évidence les défis actuels des modèles autorégressifs en vision avec des suggestions sur les orientations de recherche potentielles. Nous avons également mis en place un référentiel Github pour organiser les articles inclus dans cette étude à l'adresse suivante : https://github.com/ChaofanTao/Autoregressive-Models-in-Vision-Survey.

English

Autoregressive modeling has been a huge success in the field of natural language processing (NLP). Recently, autoregressive models have emerged as a significant area of focus in computer vision, where they excel in producing high-quality visual content. Autoregressive models in NLP typically operate on subword tokens. However, the representation strategy in computer vision can vary in different levels, i.e., pixel-level, token-level, or scale-level, reflecting the diverse and hierarchical nature of visual data compared to the sequential structure of language. This survey comprehensively examines the literature on autoregressive models applied to vision. To improve readability for researchers from diverse research backgrounds, we start with preliminary sequence representation and modeling in vision. Next, we divide the fundamental frameworks of visual autoregressive models into three general sub-categories, including pixel-based, token-based, and scale-based models based on the strategy of representation. We then explore the interconnections between autoregressive models and other generative models. Furthermore, we present a multi-faceted categorization of autoregressive models in computer vision, including image generation, video generation, 3D generation, and multi-modal generation. We also elaborate on their applications in diverse domains, including emerging domains such as embodied AI and 3D medical AI, with about 250 related references. Finally, we highlight the current challenges to autoregressive models in vision with suggestions about potential research directions. We have also set up a Github repository to organize the papers included in this survey at: https://github.com/ChaofanTao/Autoregressive-Models-in-Vision-Survey.