VQGAN: 基于Transformer的百万像素图像生成模型

2021年1月，Esser等人[6]提出了VQGAN（vector quantised generative adversarial network），它巧妙地将Transformer和CNN结合起来，成为第一个能够通过语义引导生成百万像素图像的Transformer架构。VQGAN的出现，标志着基于Transformer的模型在计算机视觉领域的兴起，为该领域注入了新的活力，并引领了一场新的变革。