Modelos Autoregresivos en Visión: Un Estudio

Autoregressive Models in Vision: A Survey

November 8, 2024

Autores: 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

Resumen

La modelización autoregresiva ha sido un gran éxito en el campo del procesamiento de lenguaje natural (NLP). Recientemente, los modelos autoregresivos han surgido como un área significativa de enfoque en la visión por computadora, donde destacan en la producción de contenido visual de alta calidad. Los modelos autoregresivos en NLP típicamente operan en tokens de subpalabras. Sin embargo, la estrategia de representación en visión por computadora puede variar en diferentes niveles, es decir, a nivel de píxel, a nivel de token o a nivel de escala, reflejando la naturaleza diversa y jerárquica de los datos visuales en comparación con la estructura secuencial del lenguaje. Esta encuesta examina exhaustivamente la literatura sobre modelos autoregresivos aplicados a la visión. Para mejorar la legibilidad para investigadores de diversos ámbitos de investigación, comenzamos con la representación y modelización secuencial preliminar en visión. A continuación, dividimos los marcos fundamentales de los modelos autoregresivos visuales en tres subcategorías generales, incluyendo modelos basados en píxeles, basados en tokens y basados en escalas según la estrategia de representación. Luego exploramos las interconexiones entre los modelos autoregresivos y otros modelos generativos. Además, presentamos una categorización multifacética de los modelos autoregresivos en visión, incluyendo generación de imágenes, generación de videos, generación 3D y generación multimodal. También detallamos sus aplicaciones en diversos dominios, incluyendo dominios emergentes como la IA incorporada y la IA médica 3D, con alrededor de 250 referencias relacionadas. Finalmente, destacamos los desafíos actuales para los modelos autoregresivos en visión con sugerencias sobre posibles direcciones de investigación. También hemos creado un repositorio en Github para organizar los documentos incluidos en esta encuesta en: 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.