在计算机科学领域，它的核心是模块化概念，比如深度神经网络由作为模块化单元的原子「层」构建而成。同样地，现代生成模型（如扩散模型和自回归模型）由原子「生成步骤」构建而成，每个步骤都由深度神经网络实现。

科技界迎来又一重大突破！何恺明团队近日提出了一种全新的生成模型——分形生成模型（Fractal Generative Models），首次实现了高分辨率图像的逐像素生成，计算效率较传统方法提高了惊人的4000倍。这一创新成果不仅在计算机视觉领域具有划时代意义，也为AI绘画等多领域应用开辟了新可能。

想法很有意思，核心思想是递归地调用生成模型作为模块，构建具有自相似性的生成模型。 就是将一个图形不断地进行放大，会发现放大后的图形与原始图形在结构上非常相似。简单地类比，就像雪花一样，是一种典型的分形（Fractal）结构。 作者想法的核心来源是： ...

近日，MIT计算机科学家何恺明团队在生成模型领域取得重大突破，提出了全新的分形生成模型（Fractal Generative Models），首次实现了逐像素生成高分辨率图像，计算效率较传统方法提升了4000倍。这一创新成果标志着生成模型领域进入了一个全新阶段。

白交 梦晨 发自 凹非寺量子位 | 公众号 QbitAI 何恺明再次开宗立派！开辟了生成模型的全新范式—— 分形生成模型Fractal Generative Models，首次使逐像素生成高分辨率图像成为可能，论文名字依旧延续以往的大道至简风格。