本文介绍了一种名为MVAR的自回归多视图图像生成方法。该方法的核心目标是在生成过程中，使模型能够从所有先前生成的视图中提取关键信息，以增强不同视图之间的一致性。通过引入自回归机制，MVAR在生成新视图时不仅依赖于潜在的语义表示，还充分利用已生成视图的信息，从而有效提升多视图图像的整体连贯性和质量。实验结果表明，MVAR在多个数据集上均表现出优越的生成能力，尤其在跨视角一致性方面显著优于现有方法。
在ICML 2025 Spotlight会议上，清华大学朱军教授领导的团队与NVIDIA Deep Imagination研究小组合作，提出了一种创新的视觉生成模型优化方法——直接判别优化（DDO）。该方法旨在改进扩散模型和自回归模型的训练过程，通过更高效的优化策略，显著提升了图像生成的质量和效率。实验结果表明，DDO在多个基准测试中实现了最新的最佳性能（SOTA），为视觉生成领域带来了重要突破。
在ICML 2025 Spotlight环节中，清华大学朱军教授领导的团队与NVIDIA Deep Imagination研究组合作，提出了一种创新的视觉生成模型优化方法——直接判别优化（DDO）。该方法为扩散模型和自回归模型的训练提供了新的范式，突破了传统优化方式的局限性。通过DDO优化，团队在图像生成领域实现了最新的最佳性能（SOTA），为视觉生成技术的发展树立了新的里程碑。
在即将到来的AAAI 2025会议上，上海交通大学与东方理工的研究团队将展示其最新研究成果——自回归移动扩散（ARMD）模型。该模型创新性地将时间序列数据的演进视为一种扩散过程，并结合移动自回归理论构建预测模型。这一突破有望为时间序列分析提供全新的视角和方法，提升预测精度。
本文全面综述了计算机视觉领域中的自回归模型，涵盖了自回归模型的基础知识、不同框架的分类、与其它生成模型的联系、在各个应用领域的应用情况、评估模型性能的指标以及当前面临的挑战和未来的研究方向。通过详细分析，本文旨在为研究人员和从业者提供一个全面的视角，帮助他们更好地理解和应用自回归模型。
