Edit the Bits, Diff the Codes: Bitwise Residual Editing for Visual Autoregressive Models
编辑比特，差分代码：视觉自回归模型的位级残差编辑
🧭 视觉自回归模型的训练无关编辑
LMU Munich · Munich Center for Machine Learning (MCML)
在视觉自回归模型中引入位级伯努利引导与多尺度残差码重注入，实现背景保持的精准图像编辑。
📌 工作参考价值（4 点）
- 训练无关的编辑思路可直接用于电商商品图的快速迭代，无需微调生成模型。
- 位级伯努利引导的闭式信任区域优化可作为其他生成任务（如图文匹配）的安全采样策略。
- 多尺度残差码的门控注入方法能保证编辑区域外像素完全一致，适合生成式推荐的视觉保真需求。
- 源-目标对比的负向引导技巧可复用到文本到图像生成的控制中，提升语义对齐。