研究人员开发了用于优化扩散模型中使用的视觉标记器的新方法，旨在提高效率和生成质量。AffineTok引入了语义仿射一致性（SAC），以更好地对齐潜在空间中的语义内容，在ImageNet上将gFID降低了26%。HAP（Head-Adaptive Visual Token Pruning）通过根据提示相关性自适应地修剪视觉标记来解决视觉语言模型中的预填充成本，仅使用5.6%的标记即可保留99.1%的性能。KATok（Keep-or-Drop? Adaptive Tokenizer）提供了一种基于Transformer的VAE用于视频表示，通过丢弃信息量少的标记来动态调整压缩率，从而在保持质量的同时实现最先进的压缩。 AI
影响 这些进展可能带来更高效、更高质量的图像和视频生成与理解AI模型。
排序理由 多篇arXiv论文介绍了AI模型中视觉标记器的新技术。
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2608.23864v1 Announce Type: new Abstract: Visual tokenizers increasingly inject semantic supervision into latent spaces to make downstream diffusion easier. Yet how these semantics should be organized to facilitate denoising remains underexplored. In this paper, we define t…
arXiv:2608.23921v1 Announce Type: new Abstract: Recent Vision-Language Models encode high-resolution images into long visual token sequences, incurring prohibitive prefill costs. To compress them, existing methods score each visual token by averaging text-to-visual attention unif…
arXiv:2608.24293v1 Announce Type: new Abstract: Latent diffusion models have emerged as a dominant framework for high-fidelity image and video synthesis, operating in compact latent spaces with variational autoencoders (VAEs) to enhance computational efficiency without compromisi…