何恺明入职MIT副教授后，首次带队的新作来了！
让自回归模型抛弃矢量量化，使用连续值生成图像。并借鉴扩散模型的思想，提出Diffusion Loss。
他加入MIT后，此前也参与过另外几篇CV方向的论文，不过都是和MIT教授Wojciech Matusik团队等合作的。
这次何恺明自己带队，参与者中还出现一个熟悉的名字：
邓明扬，IMO、IOI双料奥赛金牌得主，在竞赛圈人称“乖神”。
目前邓明扬MIT本科在读，按入学时间推算现在刚好大四，所以也有不少网友猜测他如果继续在MIT读博可能会加入何恺明团队。
接下来具体介绍一下，这篇论文研究了什么。
借鉴扩散模型，大改自回归生成
传统观点认为，图像生成的自回归模型通常伴随着矢量量化（Vector Quantization），比如DALL·E一代就使用了经典的VQ-VAE方法。
但团队观察到，自回归生成的本质是根据先前的值预测下一个token，这其实与值是离散还是连续没啥必然联系啊。
关键是要对token的概率分布进行建模，只要该概率分布可以通过损失函数来测量并用于从中抽取样本就行。
并且从另一个方面来看，矢量量化方法还会带来一系列麻烦：
- 需要一个离散的token词表，需要精心设计量化的目标函数，训练困难，对梯度近似策略很敏感
- 量化误差会带来信息损失，导致还原图像质量打折
- 离散token适合建模分类分布，有表达能力上的局限
那么有什么更好的替代方法？
何恺明团队选择在损失函数上动刀，借鉴近年大火的扩散模型的思想，提出Diffusion Loss，消除了离散tokenizer的必要性。
如此一来，在连续值空间中应用自回归模型生成图像就可行了。
具体来说，它让自回归模型输出一个潜变量z作为条件，去训练一个小型的去噪MLP网络。
通过反向扩散过程，这个小网络就学会了如何根据z去采样生成连续值的token x。扩散的过程天然能建模任意复杂的分布，所以没有类别分布的局限。
这个去噪网络和自回归模型是端到端联合训练的，链式法则直接把损失传给自回归模型，使其学会输出最佳的条件z。
这篇工作的另一个亮点，是各种自回归模型的变体都适用。它统一了标准的自回归AR、随机顺序的AR、以及何恺明擅长的掩码方法。
其中掩码自回归（MAR）模型，可以在任意随机位置同时预测多个token，同时还能和扩散损失完美配合。
在这个统一的框架下，所有变体要么逐个token预测，要么并行预测一批token，但本质上都是在已知token的基础上去预测未知token，都是广义的自回归模型，所以扩散损失都能适用。
通过消除矢量量化，团队训练的图像生成模型获得了强大的结果，同时享受序列建模的速度优势。
论文在AR、MAR的各种变体上做了大量实验，结果表明扩散损失比交叉熵损失稳定带来2-3倍的提升。
与其他领先模型一比也毫不逊色，小模型都能做到1.98的FID分数，大模型更是创下了1.55的SOTA。
而且它生成256x256图像速度也很快，不到0.3秒一张。这得益于自回归生成本来就很快，比扩散模型少采样很多步，再加上去噪网络又很小。
最后总结一下，这项工作通过自回归建模token间的相关性，再搭配扩散过程对每个token的分布进行建模。
这也有别于普通的潜空间扩散模型中用单个大扩散模型对所有token的联合分布建模，而是做局部扩散，在效果、速度和灵活性上都展现出了巨大的潜力。
当然，这个方法还有进一步探索的空间，团队提出，目前在在某些复杂的几何图形理解任务上还有待提高。
何恺明团队都有谁
最后再来介绍一下即将或可能加入何恺明课题组的团队成员。。
Tianhong LI（黎天鸿），清华姚班校友，MIT博士生在读，将于2024年9月加入何恺明的课题组，担任博士后。
Mingyang Deng（邓明扬），MIT本科数学和计算机科学专业在读。
他在高一获得IMO金牌，高三获得IOI金牌，是竞赛圈为数不多的双料金牌得主，也是IOI历史上第三位满分选手。
目前邓明扬的研究重点是机器学习，特别是理解和推进生成式基础模型，包括扩散模型和大型语言模型。
不过他的个人主页上还没有透露下一步计划。
One More Thing
何恺明当初在MIT的求职演讲备受关注，其中提到未来工作方向会是AI for Science，还引起圈内一阵热议。
现在，何恺明在AI4S方向的参与的首篇论文也来了：强化学习+量子物理学方向。
把Transformer模型用在了动态异构量子资源调度问题上，利用自注意力机制处理量子比特对的序列信息。并在概率性环境中训练强化学习代理，提供动态实时调度指导，最终显著提升了量子系统性能，比基于规则的方法提高了3倍以上。
这样一来，何恺明在自己的成名领域CV和探索新领域AI4S上都没耽误，两开花，两开花。
论文：https://arxiv.org/abs/2406.11838
