标题：自回归新模型STAR在2.9秒内生成高质量图像

中科大、哈工大和度小满合作研发的通用文生图模型STAR，展示了自回归范式的强大性能。它仅需2.9秒就能生成比扩散模型如SDXL更高质量的图像，并在真实度、一致性及人类偏好方面表现出色。

STAR改进了自回归模型，通过增强文本引导和归一化旋转位置编码（Normalized RoPE），解决了一般自回归模型在处理复杂文本和大尺度图像时的难题。文本特征作为起始点，结合跨层注意力机制，确保生成图像与文本描述高度匹配。标准化的位置编码处理不同尺度的token map，避免混淆，简化了训练。

STAR的训练策略首先在256256上大批次训练，然后微调至512512分辨率。在多项指标上，如FID、CLIP score和ImageReward，STAR都超越了先前的模型。它在人物摄影、艺术绘画等领域展现出色细节，为文本驱动的图像生成开辟了新途径。

总结来说，STAR以高效和高性能的自回归方式，挑战了扩散模型的主导地位，为高质量图像生成带来了新的可能。论文和项目详情可通过相关链接获取。