目录一、概述二、相关工作1、大型自回归语言模型的性质2、视觉生成三、VAR 1、讨论传统AR的缺点2、VAR框架一、概述    该论文提出了一种新的生成范式VAR视觉自回归模型，（区别于ddpm那种加噪之后unet去噪的工作），这种自回归模型实现coarsetofine的方法进行生

paper：2404.02905(arxiv.org)https://arxiv.org/pdf/2404.02905GitHub：GitHub-FoundationVision/VAR:[NeurIPS2024Oral][GPTbeatsdiffusion

目录简介创新点模型框架信道条件熵模型实验&结果简介熵约束自动编码器的熵模型同时使用前向适应和后向适应。前向自适应利用边信息，可以被有效加入到深度网络中。后向自适应通常基于每个符号的因果上下文进行预测，这需要串行处理，这妨碍了GPU/TPU的有效利用。创新点本文引

abstruct最近的图像压缩模型基于自编码器，学习近似可逆的映射（从像素到量化的可逆表示），这些与熵模型（潜在表示的先验）结合，可以与标准算术编码算法一起使用产生压缩比特流。与简单的全因子先验相比，分层熵模型可以利用更多潜变量中的结构，从而在保存端到端优化的同时提高压缩性能。众所周

PARSeqECCV2022读论文思考的问题论文试图解决什么问题？一些文本识别模型会对semantic信息建模，从而辅助某些困难情况下的文本识别传统的auto-regressive方式限制了语义信息的传输方向；双向的auto-regressive聚合增加了不必要的计算量和复杂度；聚合视觉模型和语言

原始题目：DeepAR:Probabilisticforecastingwithautoregressiverecurrentnetworks中文翻译：DeepAR:自回归递归网络的概率预测发表时间：2020年07月平台：InternationalJournalofForecasting文章链接：https://www.sciencedirect.com/science/article/pii/S0169207019301888