大家好，很高兴为大家介绍我们的新工作–Marrying Autoregressive Transformer and Diffusion with Multi-Reference Autoregression，后面我们简称TransDiff。 Paper: https://arxiv.org/pdf/250
Soul居然也有科研部门啊
这个soul是我想的那个嘛
你猜对了
和transfusion比主要进步在哪呢？
也有的。 今年还有一篇cvpr，不过体量和声量都刚开始起步 不过7月可以关注我们语音和视频全双工工作，效果也是比较领先 哈哈 预告下
回复不能超过300字，我图片回复哈 有问题随时交流
[g=zhuakuang] 这个ar的unit是什么呀 是reference image吗
和acdit对比怎么样呢
哦哦 你说的是的，但是可能不全对哈。 我解释下，智源的NOVA是完整参考了MAR，所以Diffusion也是和MAR一样的n层MLP。这种结构就会带来一个问题：不仅Diffusion需要N步解码，Transformer也需要多次迭代（MAR是256，NOVA是128）。而我们的结构，由于使用了更复杂（但参数量增加不多的Dit结构）的Diffusion Decoder，可以一次生成的，当然也可以参考第4图的第二个问题哈。不知道是不是解释清楚哈
没 ，1Step AR指的是 ar transformer, diffusion还是多步，但是diffusion相对较小。
才发现还有这篇。从benchmark来看，我们应该还是有不小的优势。
[g=haobang] 这个架构和iclr 2025的NOVA视频生成好像啊
请问和orthus区别是？
觉得soul不好用可以去github下面留言吗
[g=wozuimei] 1-step AR里面的diffusion也是单步的吗，这个是怎么做到的
是的。 训练中，ar的输入是同类别其他图片。推理中是之前生成的图片。
我也刚看到这篇论文。Orthus应该还是Mar的衍生方法:在语言模型上嫁接个diffloss的头，做的是t2i任务。 然后Mar和我们方法的具体区别，可以参考第4张图哈
大家好，很高兴为大家介绍我们的新工作–Marrying Autoregressive Transformer and Diffusion with Multi-Reference Autoregression，后面我们简称TransDiff。
这个soul是我想的那个嘛
你猜对了
和transfusion比主要进步在哪呢？
也有的。 今年还有一篇cvpr，不过体量和声量都刚开始起步 不过7月可以关注我们语音和视频全双工工作，效果也是比较领先 哈哈 预告下
回复不能超过300字，我图片回复哈 有问题随时交流
[g=zhuakuang] 这个ar的unit是什么呀 是reference image吗
和acdit对比怎么样呢
哦哦 你说的是的，但是可能不全对哈。 我解释下，智源的NOVA是完整参考了MAR，所以Diffusion也是和MAR一样的n层MLP。这种结构就会带来一个问题：不仅Diffusion需要N步解码，Transformer也需要多次迭代（MAR是256，NOVA是128）。而我们的结构，由于使用了更复杂（但参数量增加不多的Dit结构）的Diffusion Decoder，可以一次生成的，当然也可以参考第4图的第二个问题哈。不知道是不是解释清楚哈
没 ，1Step AR指的是 ar transformer, diffusion还是多步，但是diffusion相对较小。
才发现还有这篇。从benchmark来看，我们应该还是有不小的优势。
[g=haobang] 这个架构和iclr 2025的NOVA视频生成好像啊
请问和orthus区别是？
觉得soul不好用可以去github下面留言吗
[g=wozuimei] 1-step AR里面的diffusion也是单步的吗，这个是怎么做到的
是的。 训练中，ar的输入是同类别其他图片。推理中是之前生成的图片。
我也刚看到这篇论文。Orthus应该还是Mar的衍生方法:在语言模型上嫁接个diffloss的头，做的是t2i任务。 然后Mar和我们方法的具体区别，可以参考第4张图哈