arXiv new; ICML 2026; visual codebook · P3 · 2026-06-27

Safe Autoregressive Image Generation with：它和通用视觉自监督的关系在于：主要是安全生成，但自改进 codebook 直接操作离散视觉 token 表征

中相关；详见方法、贡献和实验边界。

Safe Autoregressive Image Generation with Iterative Self-Improving Codebooks　arXiv new; ICML 2026; visual codebook　原文链接

编号2606.27147 优先级P3 类别arXiv new; ICML 2026; visual codebook 会议arXiv new; ICML 2026; visual codebook 方法主要是安全生成，但自改进 codebook 直接操作离散视觉 token 表征来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：主要是安全生成，但自改进 codebook 直接操作离散视觉 token 表征。中相关；详见方法、贡献和实验边界。

**Figureure 2 · An overview of our method for constructing an iterative self-improving**Figure 2. An overview of our method for constructing an iterative self-improving safe codebook. (a) Leveraging the image generation and understanding capabilities of a unified multimodal model to construct paired harmful and safe image-text data. (b) Building harmful space from corresponding harmful and safe prompts and removing the codebook’s projection within this space. (c) Adaptively fine-tuning the codebook using safe image-text pairs.这张图概括 Safe Autoregressive Image Generation with 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Figureure 3 · Impact of our method on the model’s inherent image generation and imag**Figure 3. Impact of our method on the model’s inherent image generation and image understanding capabilities. Applying the safety codebook we constructed does not significantly degrade the model’s original performance.这张图/表用于判断 Safe Autoregressive Image Generation with 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

核心问题

它和通用视觉自监督的关系在于：主要是安全生成，但自改进 codebook 直接操作离散视觉 token 表征。

方法拆解

主要是安全生成，但自改进 codebook 直接操作离散视觉 token 表征

主要贡献

中相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。