最近多模态生成领域也在“神仙打架”，比如Meta的全新训练方法Transfusion，用单个模型就能同时生成文本和图像！
还有之前华为、清华提出的个性化多模态内容生成技术PMG，生成的内容可“量身定制”，更能满足偏好。
这些效果炸裂的新成果证明了
多模态生成一直是研究热门
，更实际点的证明还有：
-
从学术角度来看，今年CVPR等顶会的收录论文中，多模态生成是最热门的研究主题之一。
-
从就业角度来看，多模态生成的人才需求也比较大，很多公司都有相应的岗位，比较好拿offer。
因此多模态生成依旧是我们非常好的选择，想抓紧投中顶会给自己加码的同学可以考虑。这里为了帮助各位快速了解这个方向目前的最新动态，我整理好了
10篇
多模态生成今年最新的论文
给各位作参考，代码基本都有。
扫码添加小享，
回复“
多模态生成
”
免费获取
全部论文+开源代码
Transfusion: Predict the Next Token and Diffuse Images with One Multi-Modal Model
方法：
论文一个多模态模型训练的配方Transfusion，可以处理离散数据（如文本或代码）和连续数据（例如图像、音频和视频数据）。Transfusion结合了语言建模损失函数（下一个词预测）和扩散模型，通过单一的transformer来训练混合模态序列，使其能够无缝地生成离散和连续的模态，例如同时生成文本和图像。
创新点：
-
Transfusion是一个统一的多模态模型，可以同时生成文本和图像，不需要信息的丢失。
-
在文本到图像生成和图像到文本生成任务中，Transfusion模型在FID和CLIP得分方面表现优于Chameleon模型，且在相同的计算复杂度下，Transfusion模型的FID得分约为Chameleon模型的一半。
-
Transfusion模型在学习文本到文本预测任务上的效率也更高，达到了Chameleon模型计算复杂度的50%到60%的困惑度。
PMG: Personalized Multimodal Generation with Large Language Models
方法：
论文提出了一种基于大语言模型（LLMs）的个性化多模态生成方法（PMG），首先将用户行为转化为自然语言，以便LLM能够理解并提取用户的偏好。然后，将用户偏好输入生成器（如多模态LLM或扩散模型）以生成个性化内容。
创新点：
-
提出了一种个性化多模态生成方法（PMG），首次将LLMs应用于个性化多模态生成任务，实现了一系列应用场景的个性化生成。
-
引入了基于用户行为的用户偏好表示方法，结合显式关键词和隐式嵌入，有效地捕捉用户的偏好信息，用于生成过程的条件。
-
使用加权求和的方式平衡准确性得分和个性化得分，实现了生成内容在准确性和个性化之间的良好平衡。
扫码添加小享，
回复“
多模态生成
”
免费获取
全部论文+开源代码
ANOLE: An Open, Autoregressive, Native Large Multimodal Models for Interleaved Image-Text Generation
方法：
ANOLE是一个开源的多模态模型，专注于交错图像-文本生成。它基于Meta AI的Chameleon模型，通过高效微调少量参数来增强图像和多模态生成能力，而无需依赖扩散模型。
创新点：
-
ANOLE采用自回归方法进行图像和文本的生成，这使得它能够产生连贯且高质量的交错图像-文本序列。
-
ANOLE通过微调不到40M的参数，使用大约6000个样本，有效地实现了视觉和多模态生成能力，体现了它在大型多模态模型中引入复杂功能时的高数据和参数效率。
-
提供了一个用于自回归多模态模型的训练和推理的统一框架，降低了开发和实验的门槛。
Generative Multimodal Models are In-Context Learners
方法：
论文介绍了一个名为 Emu2 的大型多模态生成模型，它通过大规模多模态序列的训练，具备了强大的多模态上下文学习能力。Emu2 能够处理包括文本、图像-文本对和交错的图像-文本-视频等在内的多种数据类型，并且在少量样本或简单指令的情况下解决多模态任务。
