以 ChatGPT、DeepSeek 为代表的大语言模型（LLM）取得了巨大的成功，掀起了全球新一轮 AI 浪潮。但是在视觉生成领域，目前主流的方法却是一直以扩散模型为主导。与大语言模型采取相同技术路线的视觉自回归方法因为具有更好的scaling特性，能够统一理解&生成任务，隐藏着巨大的潜力，正受到人们越来越多的重视。

本次演讲中，我将以被选为 CVPR 2025 Oral 的工作 Infinity 为例，详细介绍自回归视觉生成的底层技术原理。并以图像生成和视频生成两个具体场景，分享最新的研究成果和相关思考。

演讲提纲

1. 自回归模型和Scaling Law
2. 视觉自回归 v.s. 扩散模型
3. Infinity：视觉自回归生成新路线
   • 离散 Visual Tokenizer
   • Bitwise AutoRegressive Modeling
   • 图像生成实践
   • 视频生成实践
4. 分析和思考

您认为，这样的技术在实践过程中有哪些痛点？
目前看以 Infinity 为代表的视觉自回归模型在视频生成任务上相比 SOTA 的扩散模型生成速度具有明显优势，但是效果上还有一些差距。

您的演讲有哪些前沿亮点？
这是一个非常详尽的视觉自回归技术分享，通过这次分享，读者可以深入了解到视觉自回归的底层技术实现、目前达到的效果水位，以及未来可能的研究方向。

听众收益

1. 视觉自回归的技术原理、实现方法、目前达到的生成效果
2. 视觉自回归技术的优缺点以及未来的发展方向
3. 如何基于视觉自回归构建图像/视频生成模型