HMAR

分层掩码并行预测，让自回归图像生成更快更高效

HMAR 是一个面向图像生成任务的高效分层掩码自回归模型，发表于 CVPR 2025。它针对现有自回归图像生成方法计算开销大、生成速度慢的问题，提出了一种分层掩码建模策略，通过在不同尺度上并行预测多个掩码 token，显著提升了生成效率。项目基于 PyTorch 和 Hugging Face 生态实现，支持 Vision Transformer 架构，适合研究高效图像生成算法。核心能力包括：分层自回归建模、掩码 token 并行预测、高效训练与推理。该模型在保证生成质量的同时，大幅减少了自回归步骤，为高分辨率图像合成提供了新思路。

开源 unknown 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 63

维护状态低维护

是否开源是

定价模式 unknown

项目数据

分类图像生成

开发团队NVlabs

所属国家

官网地址https://research.nvidia.com/labs/dir/hmar

GitHubhttps://github.com/NVlabs/HMAR

定价模式unknown

价格说明官网为NVIDIA研究页面，未提供明确定价信息，项目开源但无在线Demo或API说明。

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型deep-learning,huggingface-models,image-generation,vision-transformer

GitHub 星标★ 63

30天Star增速

HF 下载量

上线时间2025-07-08 00:00:00

最近更新2026-06-17 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

核心亮点

提出分层掩码自回归架构，显著减少生成步骤，提升速度
基于 Hugging Face 生态，易于集成和扩展
CVPR 2025 论文加持，算法有理论保障

不足之处

项目处于早期阶段，文档和社区支持待观察
目前星标数较少，可能缺少成熟的应用案例

适用场景

高效图像生成研究
高分辨率图像合成
自回归模型加速实验

替代项目

MaskGIT、VAR (Visual Autoregressive Modeling)、Muse

项目介绍

HMAR 是图像领域的开源项目，由 NVlabs 开发，2025 年首次发布。

它收录于图像分类，该分类目前共有 837 个项目，GitHub 星标数为 63。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-06-17。官网为NVIDIA研究页面，未提供明确定价信息，项目开源但无在线Demo或API说明。从国内网络环境看，可直接访问。

它主要面向的使用场景是：高效图像生成研究。同类可对比的替代方案包括 MaskGIT、VAR (Visual Autoregressive Modeling)、Muse。

上一篇：DCLGAN

下一篇：LSRNA