BiGR是一種新型的條件圖像生成模型，用緊湊的二進制潛在代碼進行生成訓練，增強圖像的生成質量和表示能力。作為首個在同一框架內統一生成和判別任務的模型，BiGR在保持高生成質量的同時，能有效地執行視覺生成、辨別和編輯等多種視覺任務。BiGR的設計包括掩碼標記預測和二進制轉碼器，用加權二進制交叉熵損失進行訓練，重建掩碼標記。BiGR的靈活性和可擴展性在不同的視覺應用中表現出色，無需針對特定任務進行結構更改或參數微調。
BiGR主要功能圖像生成：BiGR能生成高質量、高分辨率的圖像，支持從低分辨率到高分辨率的圖像生成。視覺辨別：模型能區分不同的圖像類別，提供強大的特征提取能力，有助于圖像識別和分類任務。圖像編輯：包括修復損壞的圖像（inpainting）、擴展圖像內容（outpainting）、及根據特定類別條件編輯圖像內容。零樣本泛化：BiGR能在沒有特定任務結構變化或參數微調的情況下，零樣本地執行多種視覺任務，如圖像插值和豐富化。BiGR技術原理二進制分詞器：將圖像轉換為一系列二進制代碼，代碼是圖像的壓縮表示形式。掩碼建模機制：在訓練過程中，部分二進制代碼被掩蓋，模型需要學習如何根據未掩蓋的代碼預測掩蓋的部分。二進制轉碼器：將連續的特征轉換為伯努利分布的二進制代碼，用在圖像生成。熵序采樣方法：在圖像生成過程中，根據預測的伯努利分布概率的熵大小決定解掩蓋標記的順序，提高生成效率。平均池化：在模型的中間層應用平均池化獲取圖像的全局表示，用在視覺辨別任務。加權二進制交叉熵損失（wBCE）：用在訓練模型，重建被掩蓋的標記，優化生成和辨別任務的性能。BiGR項目地址項目官網：haoosz.github.io/BiGRGitHub倉庫：https://github.com/haoosz/BiGRHuggingFace模型庫：https://huggingface.co/haoosz/BiGRarXiv技術論文：https://arxiv.org/pdf/2410.14672v1BiGR應用場景藝術創作：藝術家和設計師用BiGR生成新穎的視覺元素或完成復雜的設計任務，如創作數字繪畫或制作獨特的圖案。內容創作：內容創作者用BiGR生成文章配圖、社交媒體帖子的視覺內容，或者用在視頻游戲和電影的背景和場景設計。廣告和營銷：營銷人員用BiGR設計廣告圖像，快速生成吸引潛在客戶的視覺素材。數據增強：在機器學習項目中，BiGR生成額外的訓練數據，提高模型的魯棒性和性能。圖像處理：對于損壞或不完整的圖像，BiGR用在恢復和增強圖像質量，如老照片修復或衛星圖像的清晰度提升。 
