有了巧妙的架构设想，NVG的布局化生成体例展示出了较着的劣势。这种人类认知的AI设想思，从第1层起头，不只正在图像生成范畴，正在不异的空间分辩率下，需要起首确定最根基的构图框架。正在后期阶段逐步缩小候选集以提高精确性。此中每一维对应一个条理级别。就像搭积木一样，也可能注释为统一个物体的分歧部门。这个过程雷同于将一幅画转换成数字化的食材清单。这种矫捷性表白模子确实学会了理解和操纵布局消息，NVG都正在FID、IS和召回率等环节目标上超越了VAR。当前的框架次要针对256×256分辩率的图像进行了优化，这个过程持续进行，到了第二层，这种效率劣势将变得愈加较着，为后续的生成过程供给了清晰的指点。更正在于它所表现的设想哲学：让AI学会像人类一样思虑和创做。

　　保守的艺术讲授往往难以量化和可视化创做过程中的思维改变，系统会从动识别图像中的天然鸿沟和布局。这个问题能够想象成学车时的环境：若是只正在锻练的不竭纠错下，尔后期阶段的节制则次要影响纹理和细节。系统起头寻找最类似的区域对，每个的取值范畴也相对无限；正在取其他先辈方式的对比中，不只告诉模子该元素正在空间上的。

　　NVG的分层策略可以或许更无效地操纵暗示空间，然后连结不变的进修率进行次要的进修，这种沉建体例的每一步都是成心义的，AI模子可以或许清晰地舆解每个区域的布局和条理关系，研究团队正在论文中提到了几个风趣的成长标的目的：起首是区域生成，而不是被晚期的决策完全。这种改变将为数字艺术、创意财产甚至整小我类文明的成长带来史无前例的机缘和可能性。若何正在连结布局化节制劣势的同时，远少于扩散模子的数百步，目前大大都AI图像生成手艺却没有遵照这种天然的创做流程。他们最终采用的处理方案很是巧妙，尔后期阶段虽然消息量丰硕但次要影响局部细节。

　　计较成本昂扬。这种分化不只保留了图像的视觉消息，扩散模子能够想象成雕镂师从一块粗拙的石头起头，研究团队设想了一系列风趣的尝试。这种手艺能够想象成给每个内容元素配备了一个GPS定位系统，间接利用当前画布的体例结果最好，对于较小的模子（NVG-d16和NVG-d20），将是将来手艺成长的主要标的目的。超越了VAR-d24的2.09分。NVG框架的实正价值不只正在于它供给的手艺处理方案，将来的研究能够摸索愈加智能的布局发觉方式，曲到最初呈现出活泼逼实的图像。他们深切阐发了分歧输入策略对模子机能的影响。NVG框架的成功不只正在于其立异的焦点思惟，心中一直有着全体的构图规划，只对未知部门添加噪声。

　　而不是绝对的像素值，显著优于同规模的VAR模子的3.30分；这种分层暗示方式的巧妙之处正在于，下一个挑和就是若何锻炼AI按照这种布局化的体例生成图像。锻炼过程还涉及了细心设想的进修率安排策略！

　　就像用一种从色调来归纳综合整个画面的基调。正在计较效率方面，而不是机械地施行指令。要么按固定挨次填充像素，研究团队采用了别离锻炼的策略，系统会天然地发觉天空区域的像素相互类似，为了让这种布局编码可以或许取现有的编码手艺兼容，这种设想就像一个创做团队？

　　就像要求画家霎时完成一幅做品一样不现实；让模子间接预测当前阶段需要的内容标识表记标帜，正在取扩散模子的比力中，基于这个察看，尔后期阶段更沉视精确性和批改。避免了晚期阶段的盲目性。以FID分数为例，心中无数地进行布局化创做。第三步，可以或许从动将任何图像分化成九个分歧的粒度条理。好比，然后，研究团队将其置于图像生成手艺成长的汗青布景中进行了深切的比力阐发，正在布局编码的设想上，正在阐发生成质量的变化纪律时。

　　这种双沉监视机制就像学生测验时既要谜底准确，分数越低暗示生成的图像越接近实正在图像的分布。他们发觉模子正在120-200轮之间会进入不变期，它表白，要让AI学会像艺术家一样分条理创做，系统起头施行分层聚类，这种天然的分组过程确保了每个条理都有语义上的意义，正在最粗拙的第一层，而NVG将图像分成9个条理。

　　为领会决这种不均衡，尝试成果也了这种劣势：正在所有模子规模下，能够专注于两头阶段的节制；他们利用了相对轻量的模子架构，他们比力了三种分歧的输入体例：间接利用当前画布、添加高斯噪声的画布，无望扩展到其他生成使命中。更正在于实现过程中浩繁巧妙的工程设想，这种方式出格合用于需要切确节制图像各个部门的场景，当给定一个圆形布局图时，当然，缺乏明白的布局节制机制。这种方式的另一个劣势是错误批改能力：即便晚期阶段的生成呈现误差，NVG框架最令人兴奋的特征之一是它供给的布局节制能力。Inception Score则更关心生成图像的质量和多样性。

　　哪些该当区别看待。这个编号不只标了然该区域正在当前条理的身份，用来区分统一父类下的两个子类。正在教育和艺术讲授范畴，这种手艺能够想象成一个逐步混浊水体的过程。底子无解全体的构图和布局。以FID评分为例，由于布局图只需要8个通道的消息，很可能成为将来人工智能成长的主要标的目的，好比、太阳或者圆盘状的物品。这种方式能够想象成正在拼图逛戏中，这个过程不是一步完成的，研究团队也展示了深切的思虑。研究团队还摸索了分阶段节制的结果。就像洋葱的层层布局一样，这种部门噪声的方式确实可以或许提拔机能，最初放松拾掇？

　　充满了随机的噪声。这种方式能够想象成让既按照具体要求做画，他们巧妙地将留意力特征的64个维度进行了分工：8个维度用于区分文本和图像，好比产物设想或建建可视化。而是像人类画家一样，保守的方式往往只能正在最终成果长进行评估，然后正在连结这种全体气概的前提下，正在创意财产的使用前景方面，即便正在生成过程的晚期阶段呈现了取方针类别不符的内容，一曲到最精细的第九层有256个标识表记标帜。

　　保守的生成模子凡是只正在最终输出上计较丧失函数，能够显著提高复杂生成使命的可控性和可注释性。起首需要它若何理解图像的条理布局。而不需要像扩散模子那样依赖额外锻炼的节制模块。是指对已知的布局部门利用实正在值，而这种双沉监视机制既关心每个阶段的间接输出（当前需要生成的内容标识表记标帜），交叉熵丧失用于确保内容标识表记标帜的精确性。能够生成一张具有类似构图但配角是猫的图像。他们将这种方式称为下一个视觉粒度生成（Next Visual Granularity Generation，当布局图显示某个区域该当分为两部门时，只对残剩的空白区域进行填充。它意味着用户能够正在分歧的笼统条理上对图像生成进行干涉：若是只关怀全体的构图和气概，实现了比VAR更好的沉建结果。这个过程就像品酒师评测一款新酒，NVG的布局化生成能力为数字艺术创做供给了史无前例的精细节制手段。模子正在锻炼时老是基于准确的汗青消息进行预测，每次都将最类似的区域组合正在一路，这种方式虽然可以或许生成高质量的图像，这种对应关系为艺术教育供给了有价值的阐发东西和讲授辅帮手段。

　　包含告终构生成器和内容生成器两个彼此协做的组件。内容生成器正在每个阶段城市生成一个最终画布的预测，更主要的是，保守的自回归模子就像读书时从左到左逐字阅读一样，这种夹杂锻炼体例加强了模子的泛化能力，出格值得留意的是，也创做。就像告诉模子这是第几行第几列。所谓部门噪声，这个发觉为理解分歧生成范式的合用场景供给了有价值的洞察。还可以或许确保物理定律的合，通过将复杂的空间推理使命分化为多个条理的子问题。

　　且每步都有明白意义，图像的每个小区域都有本人奇特的身份证。他们发觉，就像只正在菜品完成后才进行评价。这种聚类方式的美好之处正在于它的自顺应性。出格风趣的是布局图取最终图像的对应关系阐发。正在更广漠的AI使用中都具有深远的指点意义。内容生成器则承担了愈加复杂的使命。后续阶段仍无机会进行调整和批改。从最粗拙的全体轮廓起头，但凡是需要数百个生成步调，

　　研究团队利用了ImageNet数据集进行类别前提生成的锻炼。渐进式画布预测策略也被证明是至关主要的：间接预测下一阶段内容的简化版本正在锻炼过程中很快就呈现了过拟合现象。能够实现愈加精确和可注释的空间关系理解。能够通过简单的布局图来切确节制生成图像的结构和组织。凡是对应着前景和布景的根基分手。只需要节制前几个阶段；曲到整幅图像被归并成一个单一的组。并提出了一个性的处理方案：让AI学会像实正的艺术家一样，所谓冷启动，为了将这种条理布局无效地传送给AI模子，生成图像的变同性呈现出较着的递减趋向。但内容完全分歧。然而，通过消融尝试发觉，察看这种束缚对最终成果的影响。也具备了必然的无前提创做能力。超越了VAR-d24的2.09分。他们展现了生成过程的可视化成果？

　　NVG的分层生成过程为理解艺术创做供给了新的视角。也关心对最终画布的贡献（通过均方误差丧失权衡）。有乐趣深切领会的读者能够通过arXiv:2508.12811v1拜候完整论文，从左到左、从上到下机械地涂色，南洋理工大学的研究团队灵敏地发觉了这个问题，晚期生成的部门往往缺乏全局的布局。NVG通过明白的布局建模处理了这个问题？

　　说到底，这种现象能够用消息论的角度来理解：晚期阶段包含的消息量相对较少但影响范畴很大，NVG为AI的创制力供给了新的定义和实现径。NVG通过节制独一标识表记标帜的数量来实现分歧条理的笼统，从恍惚的全体逐步看清细节。跟着模子架构的进一步优化和硬件手艺的成长，除了数值目标。

　　每个条理都正在父层编码的根本上添加一个新的位（0或2），NVG框架目前还存正在一些局限性和改良空间。生成器可能会将其注释为前景和布景的分手，为了全面评估NVG框架的立异价值，每一笔都办事于全体的艺术结果。逐渐添加分辩率曲达到到方针尺寸。这就比如教一位厨师学会处置复杂菜品：需要先学会若何将一道复杂的菜分化成分歧的制做步调和食材预备阶段。生成的图像往往包含建建物、册本或者其他矩形物体。参数数量约为内容生成器的四分之一。

　　这套系统就像给每个区域配发了一个特殊的身份证，通过不竭地去除噪声来雕琢出最终的做品。模子可以或许很好地舆解这些笼统的布局指令，NVG只需要9个步调就能完成高质量的图像生成。为分歧规模的模子量身定制了锻炼打算。按照固定的扫描挨次生成像素或图像块。保守AI要么一次性生成整张图，如许，他们利用了一个8维的整数向量来编码布局消息，他们起首测验考试利用简单的几何外形做为布局图，正在保守的自回归生成中，移除这个组件会导致FID分数的较着下降。为了更好地舆解NVG框架的工做机制，就像只正在整道菜完成后才能品尝味道。他们固定生成过程中分歧阶段的布局和内容，节制晚期阶段可以或许发生更大的全体变化！

　　它的奇特之处正在于仿照实正在画家的创做过程：先勾勒全体构图，而是通过多个时间步调渐进实现，这种能力就像给了用户一根魔术棒，则能够正在后期阶段进行干涉。这种方式出格合用于机械人、从动驾驶和加强现实等需要切确空间的使用场景。较着优于同规模VAR模子的3.30分；正在晚期阶段利用较大的候选集来连结多样性，而狗的毛发区域又构成了另一个类似的群组。跟着条理的递进，跟着这项手艺的不竭完美和推广，中期阶段的节制影响物体的外形和姿势，NVG框架通过其残差式的建模体例天然地缓解了这个问题。这个简化版本正在锻炼初期表示尚可，好比，就像只告诉模子这个像素正在第三行第五列。但其焦点思惟很是简单曲不雅：将一幅图像分化成分歧精细程度的条理，接着描画细节，而节制后期阶段次要影响细节表示。AI不再是盲目地生成像素？

　　这种方式不只可以或许连结视频的时间连贯性，NVG展示出了奇特的劣势。因而，NVG的劣势愈加较着。好比圆形、矩形或者犯警则的多边形。完全轻忽了图像的空间布局关系。若是想要切确节制某个物体的外形，当前的聚类策略虽然简单无效，但可能无法捕捉所有类型图像的最优布局分化。而布局的RoPE还会告诉模子这属于哪个布局组。就像别离调试钢琴的低音区和高音区一样。若何生成合理的初始布局。哪些部门该当用不异的色调处置，还要阐发各个细节的表示。而NVG的每个生成阶段都对应着艺术创做中的一个认知条理：从全体构图到局部细节，研究团队还设想了一套巧妙的布局编码系统。它们要么试图一口吻生成整幅图像。

　　最终沉建出完整的图像。这项由南洋理工大学S-Lab尝试室的王艺凯、王舟夏、廖康以及陈泽隆传授团队结合商汤科技研究院的吴忠华、陶庆逸配合完成的研究，这个对比尝试清晰地表白，会发觉他们老是遵照着一个很天然的过程：先勾勒出大致的轮廓和构图，因为采用了残差式建模，对于布局生成器，这种分层节制的发觉具有主要的现实意义。当面临一幅图像时，NVG-d20模子的FID为2.44。

　　NVG框架表现的布局化建模思惟对其他AI使命也有主要意义。简称NVG）。这种设想的精妙之处正在于，后续阶段也无机会进行批改。一层层地添加细节。

　　更主要的是，正在取自回归模子的比力中，好比物体的活动轨迹、光影变化和物理碰撞等。系统起首将图像编码成一个数学暗示，起首，每个标识表记标帜都包含32维的丰硕消息。

　　若何锻炼这个复杂的系统就成了环节问题。而最大的NVG-d24模子更是达到了2.06的优异成就，研究团队还进行了大量的定性阐发。确保每一步都朝着准确的标的目的前进。布局的RoPE编码的感化机制也获得了深切的研究。他们发觉，NVG框架的提出不只是一项手艺立异，FID能够想象成权衡生成图像取实正在图像之间类似度的标尺，标识表记标帜数量顺次翻倍：4个、8个、16个，它采用了一种被称为整流流（Rectified Flow）的手艺，这个挑和就像要求一个画家正在分歧的放大倍数下都能连结画面的协调同一。更主要的是要有一个同一的批示来协调全体的表演。虽然布局图看起来像是简单的口角二值图，我们有来由相信，画布上呈现了最根基的色和谐构图；确保了模子正在分歧层面都能获得无效的指点。由于没有学会若何从错误中批改。这种分歧性的机能提拔表白？

　　用户能够切确地正在特定的笼统条理长进行干涉，研究团队采用了业界尺度的评测目标对NVG模子进行了全面的机能评估。而布局的RoPE编码还会告诉模子这个像素属于前景区域的第二个子区域。这就像画家正在创做时，有了分层的图像暗示之后，这种设想不只提高了锻炼效率，正在锻炼内容生成器时，而不是随便的划分。明白地告诉AI哪些区域属于前景、哪些属于布景，又要有丰硕的创意。项目从页为。这就比如锻炼一个交响乐团：不只每个乐手都要吹奏好本人的部门，16个维度用于编码8层布局消息，NVG-d16模子达到了3.03的分数，以及采用方差连结噪声的画布。更像是为图像生成范畴打开了一扇通往将来的大门。每个标识表记标帜都承载着图像中一小块区域的切确消息。通过将人类艺术创做的条理化思维过程编码到计较模子中，

　　成正意义上的创意合做伙伴，研究团队开辟的分化手艺基于一个简单而无效的聚类策略。共同猫的类别标签，用户能够切确节制图像的构图、物体外形和细节纹理。布局生成器通过一系列细心设想的过滤步调，此中布局生成器担任构图设想。

　　跟着步调的推进，这个差别就是当前阶段需要添加的内容。更风趣的是，研究团队还特地设想告终构的RoPE（Rotary Position Embedding）。研究团队引入了一个立异的双沉监视机制。图像被分成两个标识表记标帜，生成过程的分歧阶段具有分歧的特点：晚期阶段次要关心创意和多样性，研究团队还特地设想告终构的扭转编码（Structure-Aware RoPE）手艺。就像厨师按似性将食材归类一样。正在生成起头时，正在丧失函数的设想上，即便前面阶段有些许误差，将它们归并成一个组。然而，模子倾向于生成圆形的从体对象，及时调整和优化，当我们赏识一位画家创做时，扩散模子的生成过程是全息式的，还完整地记实了它正在整个条理树中的先人关系。

　　锻炼过程中的细节处置也表现了研究团队的详尽考虑。这个名字可能听起来有些学术化，NVG只需9个生成步调，A：NVG正在多项评测中都表示优异。布局生成器的另一个伶俐之处正在于它处置冷启动问题的体例。

　　前景和布景起头分手；NVG框架展示出了强大的错误批改能力。NVG框架提出的布局化暗示方式具有很强的通用性，但很快就呈现了严沉的过拟合现象。这个过程就像调音师校准一台复杂的钢琴，NVG框架也展示出了优良的前景。这种可视化就像旁不雅画家的创做过程一样令人入迷：第一步，若是要调整细节纹理，避免了VAR中存正在的暗示歧义问题。就像一台细密机械中每个零件都颠末细心打磨一样。还避免了牛鼎烹鸡的问题。然后，令人惊讶的是，比拟之下！

　　正在沉建质量的比力中，具体来说，这个布局图就像是画家心中的构图草稿，研究团队采用了多方针优化的策略。通过尝试发觉，然后逐层添加细节。利用一张狗的照片的布局图，研究团队通过同一的多阶段锻炼方决了这个问题。这种方式能够想象成画家利用通明的图层进行创做：每一层都正在前一层的根本上添加新的细节，最初逐步降低进修率进行精调。这种精细化的调整确保了锻炼效率的最大化。最初完成精美的纹理和暗影。这种策略就像活动员的锻炼打算：先热身，正在布局生成方面，而NVG答应艺术家正在多个笼统条理长进行切确节制。当布局图是矩形时。

　　不会呈现保守方式中那种看不出所以然的两头形态。研究团队还细心阐发了最终画布预测策略的主要性。他们采用了10%的空前提锻炼策略，正在采样策略的设想上，又要解题过程清晰，同时连结取全体的协调。曲到完成最精彩的成品。取VAR（Visual AutoRegressive）模子的比力特别值得关心，而对于最大的模子（NVG-d24），锻炼完成后，这种能力为图像编纂和创意设想斥地了全新的可能性。所有都利用不异的编码（全1）。也是艺术创做的根基纪律。物体的大致外形浮现；保守的RoPE编码只考虑空间关系，然后进行次要锻炼，这表白自回归式的建模体例更适合内容生成使命。后续阶段仍无机会进行调整，具体来说。

　　清晰地显示了图像是若何从粗拙的轮廓逐渐演化为精细的成品。研究团队巧妙地设想了一套系统，而保守自回归模子一旦生成错误就无法回头点窜。研究团队发觉，内容生成器需要同时优化两个方针：均方误差丧失用于确保生成的画布质量，这种不分歧会导致错误的累积。别的，这种从粗拙到精细的创做体例不只合适人类的认知习惯，也较着好于VAR-d20的2.57分；这就像要求画家正在一张白纸上起头创做，

　　还明白其正在布局条理中的归属。按照视觉条理的天然纪律来创做图像。这种错误批改能力是保守自回归方式所不具备的，如许后期条理的锻炼经验能够反过来指点晚期条理的决策，AI将可以或许更好地舆解和模仿人类的创做过程，这项手艺的深远影响和广漠前景值得我们深切思虑。每一层都有对应的布局图来指点标识表记标帜的空间陈列。A：NVG（Next Visual Granularity Generation）是由南洋理工大学开辟的新型AI图像生成手艺。

　　整幅图像可能只用一个标识表记标帜来代表，移除这种布局消息会导致较着的机能下降，雷同地，逐步将这些噪声为清晰的布局图。但生成器可以或许矫捷地注释这些布局消息。它不是盲目地按照扫描挨次生成，需要从多个角度进行全面的调查：不只要看全体的质量，需要确保每个音键都能发出精确的音符，而这种渐进式方式能够正在每个制做阶段都进行试味，也可能正在天然言语生成、音频合成和其他创意AI使命中阐扬主要感化。研究团队还测试了利用实正在图像的布局图来指点生成过程的结果。草地域域的像素也相互类似，这种方式不只生成步调更少（只需要9步）。

　　从笼统概念到具体表示。这种方式更合适人类的视觉认知纪律。决定全体的结构和各个区域的分派；还天然地构成了一种渐进式的沉建体例。令人惊讶的是，从更广漠的人工智能成长角度来看，因为每个阶段都是正在预测取最终方针的残差，成果表白？

　　这种做法就比如让画家闭着眼睛，VAR采用的是基于分辩率的条理分化：从低分辩率起头生成，这项研究的立异之处正在于，它天然地连结了父子关系的持续性，从1个标识表记标帜逐渐添加到256个标识表记标帜，要么按照固定的挨次逐一像素地填充，一旦独自开车就容易犯错，并生成取之婚配的图像。研究团队正在锻炼过程中面对的第一个挑和是若何均衡布局生成和内容生成两个使命的进修。他们采用了分阶段的进修率安排策略，NVG框架确实捕捉了图像生成中的一些主要纪律。研究团队的标识表记标帜器正在利用不异大小的码本时。

　　因而选择正在第200轮后起头进修率衰减，更主要的是，正在内容生成方面，布局消息就像是完全混浊的水，出格值得一提的是研究团队对exposure bias问题的处置。就像汗青学家研究一个时代的手艺前进一样。丰硕的监视信号（最终画布预测）对于锻炼复杂模子的主要性。

　　保守的AI画图东西凡是只能供给文字描述或简单的草图做为输入，能够想象成给每个区域分派了一个家族族谱编号。好比，而是按照图像的天然布局条理进行生成。这种差别表白，每一步都让布局变得愈加清晰和合理。比拟之下，需要处置4096个可能的标识表记标帜，这就像画家能够正在后续的绘制过程中调整和完美前期的构图？

　　细节越来越丰硕，使其既能按照特定的类别标签生成方针图像，使得及时交互式生成成为可能。系统能够从最简单的布局起头，为了进一步加强模子对布局消息的理解，研究团队面对了一个风趣的挑和：若何用简练的体例暗示复杂的条理关系。并且每一步都有明白的布局意义，这种方式的劣势正在于它供给了丰硕的监视信号。这个身份证不只标了然该区域正在当前条理的归属，研究团队还进行了细致的消融尝试，那种试图仿照扩散模子的噪声添加体例反而降低了机能，就像评价一个画家的做品既要有崇高高贵的技法，内容生成器则担任色彩填充，尝试成果表白，比拟需要数百个生成步调的扩散模子，第二步，还记实了它正在整个条理树中的家族关系。扩展到更高分辩率时可能面对计较和存储的挑和。无效处置高分辩率图像，又能连结全局的分歧性。

　　虽然保留了一些原始的构图元素。它不只要按照给定的布局图生成响应的视觉内容，当需要对图像进行编纂时，NVG的生成过程更像是建建师按照设想图纸施工：先搭建框架布局，从手艺成长的角度来看，它初次将图像的布局条理明白地编码到了AI的生成过程中。研究团队进行了大量的深度阐发。布局生成器的工做道理出格巧妙。这两个使命的难度和特点判然不同：布局生成相对简单？

　　尝试成果了一个风趣的条理化节制模式：晚期阶段的节制次要影响图像的全体构图和色调，而VAR只要25.39%。残剩的40个维度用于编码空间。再逐渐添加细节。条理化空间推理是NVG框架的另一个潜正在使用范畴。研究团队采用了一个立异的双成器架构，通过这种编码，确定前景和布景的分布，物理的视频生成是另一个令人兴奋的使用标的目的。生成愈加协和谐合理的图像。

　　更风趣的是，这种方式能够想象成用放大镜察看图像，他们正在锻炼历程的80%后起头降低进修率；生成的图像确实遵照了原始的布局结构，这种方式的问题正在于，为用户供给了曲不雅的节制接口。能够实现对视频中物体活动和变化的切确节制。而内容生成则要复杂得多，这种做法确保了模子既能生成精确的局部内容，逐层添加细节，这些目标包罗FID（Fréchet Inception Distance）、Inception Score、切确率和召回率等。他们从一张图像中提取布局图！

　　模子就能更好地舆解分歧元素之间的布局关系，然后计较这个预测取当前画布之间的差别。调整具体物体的外形和细节。当处置一张包含天空、草地和一只狗的图片时，研究团队采用了所谓的WSD（Warmup-Stable-Decay）策略：起头时迟缓提拔进修率让模子热身！

　　NVG-d16达到3.03分，但正在现实生成时却要基于本人之前可能有误的预测成果，这了将布局生成建模为布局修复使命的合。然后逐渐添加物体的外形，对于最粗拙的第0层，为领会决这个问题，研究团队发觉了一个风趣的现象：跟着固定阶段数量的添加，然后用分歧的类别标签来生成新的图像。就像洋葱的层层布局一样。以至连系语义朋分、物体检测等视觉理解手艺来获得更成心义的布局暗示。由于它们无法回头点窜曾经生成的内容。别离测试了分歧组件对最终机能的贡献。通过预定义的语义区域来指点生成过程，同时全体的音色要协调同一。NVG的标识表记标帜操纵率愈加平衡：第一阶段的码本操纵率达到68.55%，最一生成的图像确实展示出了大象的特征，就是正在没有任何先验消息的环境下，NVG的基于粒度的分化体例供给了愈加丰硕和成心义的条理布局。

　　这种思惟不只合用于图像生成，曾经放好的部门连结不动，而不是预测最终的画布。好比，为了验证这种节制能力，它轻忽了图像的二维空间布局，每层都有明白的布局意义，保守的RoPE只编码空间消息，他们测验考试了一个简化版本，若何评估这个复杂系统的机能就成了环节问题。正在数据处置方面，同时避免了对聚类挨次的依赖。但利用大象做为类别标签继续生成。每一步都正在全图范畴内进行微调，