这篇报告提出了一种无需矢量量化的自回归图像生成方法，该方法使用扩散过程来模拟每个语义符的概率分布，从而可以在连续空间中应用自回归模型。这种方法消除了自回归模型对离散语义符的依赖，并保持了自回归生成的速度优势，同时拥有强大的生成能力。

🤔 **传统观点认为，自回归图像生成模型需要在离散的语义符上操作。** 这种方法虽然方便表示语义符的概率分布，但并非自回归建模的必要条件。

💡 **该研究提出使用扩散过程来模拟每个语义符的概率分布，** 这使得可以在连续空间中应用自回归模型。

🚀 **该方法消除了自回归模型对离散语义符的依赖，** 并定义了一个扩散损失函数来模拟每个标记的概率分布，不仅保持了自回归生成的速度优势，也拥有强大的生成能力。

🌐 **研究结果表明，该方法在不同自回归图像生成模型下的表现良好，** 包括标准的自回归模型和广义的掩码自回归（MAR）模型。

🎉 **这项研究有望让自回归生成摆脱离散化的桎梏，** 并激励自回归生成在其他连续值数据和任务中的应用。