1.introduction

对于视频展示，选择哪种模型比较好？基于似然->transformers自回归。在没有空间和时间溶于的降维潜在空间中进行自回归建模是否优于在所有空间和时间像素级别上的建模？选择前者：自然图像和视频包括了大量的空间和时间冗余，这些冗余可以通过学习高分辨率输入的去噪降维编码来消除，例如，空间和时间维度上的4倍降采样会导致64倍的分辨率降低，在潜在空间建模，不是像素空间，可以提高采样速度和计算需求。VideoGPT是基于VQVAE和GPT的视频生成架构，

VideoGPT利用3D conv和transposed conv along with axial attention，在VQVAE中的编码器中学习从视频帧原始像素中获取降维离散潜在值，利用GPT进行自回归。

2.VideoGPT

2.1 learning latent code

第一阶段：为了学习一组离散的潜在code，首先在视频数据上训练一个VQVAE，编码器结构包括一系列在时空维度上进行下采样的3D卷积，如图所示，

2.2 learning a prior

第二阶段：Image-GPT，学习第一阶段VQVAE潜在code的先验。

3.Experiments

3.1 Training details

所有的图像数据在训练前被缩放在-0.5-0.5之间，训练64x64的视频，长度是16.