卷友们好，我是rumor。

图像生成长期以来一直被GAN所统治，虽然GAN的生成结果非常逼真，但在多样性方面却不如基于最大似然的方法（VAE、自回归模型等）。在去年，我们也看到了DALL-E、VQGAN等生成模型，模仿NLP的成功，利用Transformer来做图像生成，但这类方法有个很大的缺点，就是生成速度太慢了。

Transformer-based的图像生成基本完全参考NLP处理序列数据的做法，需要两个步骤：

1. Tokenization：自然语言都是离散值，而图像是连续值，想像NLP一样处理必须先离散化，iGPT里直接把图像变成一个个马赛克色块，ViT则是切成多块后分别进行线性映射，还有的方法专门学了一个自编码器，用encoder把图像映射成token，再用decoder还原

2. Autoregressive Prediction：用单向Transformer一个个token地预测，最终生成图像

虽然这类方法的生成结果还可以，但是从直觉上却不那么顺溜。仔细想人是怎么画画的，大多数人肯定是先画个草稿，然后再逐步细化、填色，由整体到局部，而不是从上到下从左到右一个个像素去填充。

MaskGIT的核心思想，就是参考人的作画逻辑，先生成一部分token，再逐渐去完善。

MaskGIT: Masked Generative Image Transformer
https://arxiv.org/abs/2202.04200

MaskGIT

MaskGIT的模型结构如下：

对于Tokenization步骤，直接参考VQGAN的思路，学习一个encoder-decoder。

主要的改进点在第二步上，在生成阶段，重复以下步骤：

1. 并行预测所有被mask的部分，这时会给出一个概率最高的token和概率值

2. 计算本轮要保留的token数目

3. 根据数目倒推概率值，不满足条件的继续mask掉，回到步骤1重新生成

在训练阶段，不像BERT只mask掉15%，MaskGIT会随机选取各种值，来模拟生成阶段的情况。

生成阶段的核心，就在于如何计算这一轮要mask多少token，这个schedule函数有两个特性：

1. 定义域在0到1之间、值域在0到1之间的连续函数

在对Linear、Concave、Convex三类函数实验后，发现Cosine是表现最好的：

从最终的效果可以看到，MaskGIT在图像质量上（FID、IS分数）接近当前最好的BigGAN，在速度上远胜VAGAN，在多样性（CAS分数）上超越了BigGAN：

同时作者发现，MaskGIT在编辑图像上有很大的潜力，尤其是class-conditioned image editing任务，自回归模型基本做不了，GAN来做也很难，对MaskGIT却十分容易，推动了一波鬼畜P图的发展（下面的例子让我深度怀疑作者是猫控）：

总结

MaskGIT作者在文中说到，双向Transformer的启发源自于机器翻译的一些工作，不过这却是图像领域的第一篇工作。MaskGIT的出发点相比单向自回归，在图像生成上更加make sense，相信之后也看到一些相关改进。

其中我想到一点，也是从直觉上出发的，我们人在画画时，免不了对草图的涂改，而MaskGIT是没有涂改机会的，有没有更好的soft mask方式，或者迭代策略，可以对已经生成完的token进行迭代，这样说不定就能超过GAN的生成质量了。