何恺明团队提出分形生成模型，将计算效率提高4000倍，首次实现高分辨率逐像素图像生成。他们将生成模型抽象为“原子模块”，通过递归调用这些模块构建自相似分形架构。该模型受数学分形思想启发，使用参数化神经网络作为分形生成器，从数据中学习递归法则，适用于材料、蛋白质等领域。

在逐像素图像生成任务中，该模型表现优异。团队采用“分而治之”的策略，将自回归模型抽象成模块化单元。每个级别的生成器可从单个输入生成多个输出，使得分形框架在仅需线性数量的递归级别下实现输出的指数级增长。最终，自回归模型接收前一个生成器的输出，逐步细化生成过程。

在ImageNet 256×256数据集上，该模型生成一张图像需1.29秒，测试指标达到3.14bits/dim的负对数似然，超越现有自回归模型。此外，该模型在图像质量和计算效率上均表现出色，尤其在逐个像素生成高分辨率图像时，效率提升显著。

团队还结合掩码重建技术，实验表明该模型能准确预测被掩蔽的像素，有效捕捉高级语义。该成果由MIT何恺明团队和谷歌DeepMind全华人班底完成，一作黎天鸿本科毕业于清华姚班，现为MIT博士后。