在计算机视觉领域，自回归模型正逐渐崭露头角，成为研究的热点。这些模型最初在自然语言处理（NLP）领域取得了巨大成功，如今在视觉领域也展现出了强大的潜力。自回归模型在NLP中通常以子词标记为操作对象，但在计算机视觉中，由于视觉数据的多样性和层次性，其表示策略可以在像素级、标记级或尺度级等不同层次上进行。
这篇综述全面梳理了应用于视觉的自回归模型的相关文献。为了方便来自不同研究背景的学者阅读，文章首先介绍了视觉中的序列表示和建模的基础知识。随后，根据表示策略的不同，将视觉自回归模型的基本框架分为三类：基于像素的模型、基于标记的模型和基于尺度的模型。这种分类方式有助于读者更好地理解不同模型之间的差异和联系。
除了对模型框架的分类，文章还探讨了自回归模型与其他生成模型之间的关系。这种比较和分析有助于读者更全面地了解自回归模型在生成模型家族中的地位和特点。
在计算机视觉中，自回归模型的应用范围非常广泛，包括图像生成、视频生成、3D生成和多模态生成等多个方面。文章对这些应用进行了多维度的分类和详细阐述，并列举了约250篇相关参考文献。这种全面的综述方式有助于读者了解自回归模型在计算机视觉领域的最新进展和应用潜力。
此外，文章还关注了自回归模型在新兴领域中的应用，如具身人工智能和3D医学人工智能等。这些领域的应用展示了自回归模型在解决实际问题方面的潜力和价值。
然而，尽管自回归模型在计算机视觉领域取得了显著的进展，但仍面临一些挑战。文章指出了当前自回归模型在视觉领域面临的主要挑战，并提出了可能的研究方向。这种对未来研究方向的展望有助于激发学者们对自回归模型在计算机视觉领域进一步研究的兴趣和动力。
为了方便读者获取相关文献，文章还建立了一个GitHub存储库，用于整理和组织综述中提到的论文。这种资源共享的方式有助于促进学术界的合作和知识传播。
当然，任何模型或方法都存在一定的局限性。自回归模型在计算机视觉领域的应用也不例外。例如，由于视觉数据的复杂性和多样性，自回归模型在处理大规模、高分辨率的图像或视频时可能会面临计算效率和生成质量等方面的挑战。此外，如何将自回归模型与其他计算机视觉技术有效结合，以实现更强大的功能和性能，也是一个值得研究的问题。
