BiGR是一种新型的条件图像生成模型，用紧凑的二进制潜在代码进行生成训练，增强图像的生成质量和表示能力。作为首个在同一框架内统一生成和判别任务的模型，BiGR在保持高生成质量的同时，能有效地执行视觉生成、辨别和编辑等多种视觉任务。BiGR的设计包括掩码标记预测和二进制转码器，用加权二进制交叉熵损失进行训练，重建掩码标记。BiGR的灵活性和可扩展性在不同的视觉应用中表现出色，无需针对特定任务进行结构更改或参数微调。
BiGR主要功能图像生成：BiGR能生成高质量、高分辨率的图像，支持从低分辨率到高分辨率的图像生成。视觉辨别：模型能区分不同的图像类别，提供强大的特征提取能力，有助于图像识别和分类任务。图像编辑：包括修复损坏的图像（inpainting）、扩展图像内容（outpainting）、及根据特定类别条件编辑图像内容。零样本泛化：BiGR能在没有特定任务结构变化或参数微调的情况下，零样本地执行多种视觉任务，如图像插值和丰富化。BiGR技术原理二进制分词器：将图像转换为一系列二进制代码，代码是图像的压缩表示形式。掩码建模机制：在训练过程中，部分二进制代码被掩盖，模型需要学习如何根据未掩盖的代码预测掩盖的部分。二进制转码器：将连续的特征转换为伯努利分布的二进制代码，用在图像生成。熵序采样方法：在图像生成过程中，根据预测的伯努利分布概率的熵大小决定解掩盖标记的顺序，提高生成效率。平均池化：在模型的中间层应用平均池化获取图像的全局表示，用在视觉辨别任务。加权二进制交叉熵损失（wBCE）：用在训练模型，重建被掩盖的标记，优化生成和辨别任务的性能。BiGR项目地址项目官网：haoosz.github.io/BiGRGitHub仓库：https://github.com/haoosz/BiGRHuggingFace模型库：https://huggingface.co/haoosz/BiGRarXiv技术论文：https://arxiv.org/pdf/2410.14672v1BiGR应用场景艺术创作：艺术家和设计师用BiGR生成新颖的视觉元素或完成复杂的设计任务，如创作数字绘画或制作独特的图案。内容创作：内容创作者用BiGR生成文章配图、社交媒体帖子的视觉内容，或者用在视频游戏和电影的背景和场景设计。广告和营销：营销人员用BiGR设计广告图像，快速生成吸引潜在客户的视觉素材。数据增强：在机器学习项目中，BiGR生成额外的训练数据，提高模型的鲁棒性和性能。图像处理：对于损坏或不完整的图像，BiGR用在恢复和增强图像质量，如老照片修复或卫星图像的清晰度提升。 
