SimpleAR – 复旦大学联合字节 Seed 团队推出的图像生成模型-爱论文

SimpleAR是什么

SimpleAR 是复旦大学视觉与学习实验室和字节 Seed 团队联合推出的纯自回归图像生成模型。采用简洁的自回归架构，通过优化训练和推理过程，实现了高质量的图像生成。SimpleAR 仅用 5 亿参数即可生成 1024×1024 分辨率的图像，在 GenEval 等基准测试中取得了优异成绩。训练采用“预训练 – 有监督微调 – 强化学习”的三阶段方法，显著提升了文本跟随能力和生成效果。SimpleAR 兼容现有加速技术，推理时间可缩短至 14 秒以内。

SimpleAR的主要功能

高质量文本到图像生成：SimpleAR 是纯自回归的视觉生成框架，仅用 5 亿参数就能生成 1024×1024 分辨率的高质量图像，在 GenEval 等基准测试中取得了 0.59 的优异成绩。多模态融合生成：将文本和视觉 token 平等对待，集成在一个统一的 Transformer 架构中，支持多模态建模，能更好地进行文本引导的图像生成。

SimpleAR的技术原理

自回归生成机制：SimpleAR 采用经典的自回归生成方式，通过“下一个 token 预测”的形式逐步生成图像内容。这种机制将图像分解为一系列离散的 token，然后逐个预测这些 token，从而构建出完整的图像。多模态融合：SimpleAR 将文本编码和视觉生成集成在一个 decoder-only 的 Transformer 架构中。提高了参数的利用效率，更好地支持了文本和视觉模态之间的联合建模，使模型能更自然地理解和生成与文本描述对应的图像。三阶段训练方法：预训练：通过大规模数据预训练，学习通用的视觉和语言模式。有监督微调（SFT）：在预训练基础上，通过有监督学习进一步提升生成质量和指令跟随能力。强化学习（GRPO）：基于简单的 reward 函数（如 CLIP）进行后训练，优化生成内容的美学性和多模态对齐。推理加速技术：SimpleAR 通过 vLLM 等技术优化推理过程，显著缩短了图像生成时间。例如，0.5B 参数的模型可以在 14 秒内生成 1024×1024 分辨率的高质量图像。视觉 tokenizer 的选择：SimpleAR 使用 Cosmos 作为视觉 tokenizer，在低分辨率图像和细节重建上存在局限，仍有改进空间。

SimpleAR的项目地址

Github仓库：https://github.com/wdrink/SimpleARHuggingFace模型库：https://huggingface.co/papers/2504.11455arXiv技术论文：https://arxiv.org/pdf/2504.11455

SimpleAR的应用场景

创意设计：SimpleAR 可以帮助设计师快速生成高质量的图像，用于广告设计、海报制作、艺术创作等。虚拟场景构建：通过文本描述生成虚拟场景，为游戏开发、虚拟现实（VR）和增强现实（AR）应用提供素材。多模态机器翻译：SimpleAR 的多模态融合能力可以用于将图像信息与文本翻译相结合，提升翻译的准确性和丰富性。视频描述生成：通过将图像生成与视频内容相结合，为视频生成详细的描述文本。增强现实（AR）与虚拟现实（VR）：SimpleAR 可以生成与现实场景高度融合的虚拟图像，用于工业维修、教育演示、旅游导览等场景。为虚拟现实应用生成高质量的虚拟环境和物体，提升用户体验。图像增强与修复：SimpleAR 可以用于增强低分辨率图像的细节，提升图像质量。通过生成缺失或损坏部分的图像内容，实现图像的修复。