本文介紹一種圖像編碼的方法。

圖像標記化推動了自回歸圖像生成發展，但傳統 2D 網格標記和現有 1D 標記方法存在不足，如無法適應圖像內在復雜性。FlexTok 創新之處在于可將 2D 圖像投影為可變長度、有序的 1D 標記序列，圖像標記化通過提供一種比原始像素更高效、更易處理的壓縮離散表示，極大地推動了自回歸圖像生成的發展。

傳統方法多采用二維網格標記化，但像TiTok這樣的最新研究表明，一維標記化能夠通過消除網格冗余來實現高質量的圖像生成。

感興趣的小伙伴可以閱讀原文：https://arxiv.org/pdf/2502.13967

模型介紹

上圖展示了 FlexTok 的整體架構和工作流程，分為兩個主要階段：

階段 1：FlexTok 訓練：

• 重采樣與量化：FlexTok 使用帶有寄存器的視覺 Transformer（ViT）將 2D 的變分自編碼器（VAE）潛在特征重采樣為 1D 的離散標記序列。之后，使用有限標量量化FSQ對這些序列進行量化，得到瓶頸層表示。
• 整流流模型解碼與重建：量化后的瓶頸層表示被用于為整流流模型提供條件，該模型負責解碼并重建原始圖像。
• 學習有序可變長度標記序列：通過對寄存器標記應用嵌套隨機失活，FlexTok 學習到有序的、可變長度的標記序列。這種方式使得模型能夠以一種從粗到細的方式對圖像進行編碼，早期的標記捕獲圖像的高級語義和幾何信息，而后續添加的標記則逐步補充更精細的細節。

階段 2：自回歸（AR）訓練

• 訓練 AR 模型：訓練類別條件和文本條件的自回歸 Transformer 模型，以從粗到細的方式預測 1D 標記序列。
• 生成圖像細節遞進：隨著預測的標記數量增加，生成的圖像會變得更加具體。模型首先編碼高級概念，例如圖像中是否有汽車；然后逐漸添加更精細的細節，如汽車的形狀、品牌和顏色等 。通過這種方式，FlexTok 能夠根據不同的條件和需求，生成具有不同細節程度的圖像，展示了其在圖像生成任務中的靈活性和有效性。

實驗效果

FlexTok將圖像轉化為有序的標記序列。通過訓練基于類別和文本條件的模型，FlexTok標記序列扮演了“視覺詞匯表”的角色，使自回歸模型能夠以遞增的特異性描述圖像內容。與傳統自回歸模型在固定光柵掃描順序下生成圖像不同，FlexTok方法能夠逐步細化圖像細節。簡單的條件，例如ImageNet類別標簽，可能僅需16個標記即可滿足；而更復雜的條件，如開放式文本提示，則可能需要多達256個標記才能達到最佳效果。

如上圖所示，不同詞元數量的圖像生成示例。使用類別條件（前3行）和文本條件（后3行）生成的圖像表明，基于FlexTok的模型在僅使用單個詞元的情況下也能生成高質量圖像，并且所有這些都在單個模型內實現。隨著生成的詞元增多，條件對齊效果增強。例如，對于提示語“一只柯基犬的頭部被描繪成星云爆炸的樣子”，前兩個詞元捕捉到了狗的藝術描繪這一高級概念，而添加更多詞元則會增加更多細節，如狗的品種和星云背景。

文轉載自公眾號瓦力算法學研所，作者：喜歡瓦力的卷卷

原文鏈接：??https://mp.weixin.qq.com/s/fp_FEuISXmHPCa0fhEGJDg??