大酷樂
  • 汽車
  • 理财
  • 軍事
  • 科技
  • 遊戲
  • 互聯網
  • 娛樂
  • 财經
  • 科學
  • 社會
  • 親子
  • 電影
  • 健康
  • 教育
  1. 首頁
  2. 科學

視覺Token無縫對齊LLMs詞表!V²Flow:基于LLMs實現高保真自回歸影像生成

2025-04-03 简体 HK SG TW

今天小編分享的科學經驗:視覺Token無縫對齊LLMs詞表!V²Flow:基于LLMs實現高保真自回歸影像生成,歡迎閱讀。

視覺 Token 可以與 LLMs 詞表無縫對齊了!

V ² Flow,基于 LLMs 可以實現高保真自回歸影像生成。

随着 ChatGPT 掀起自回歸建模革命後,近年來研究者們開始探索自回歸建模在視覺生成任務的應用,将視覺和文本數據統一在 "next-token prediction" 框架下。

實現自回歸影像生成的關鍵是設計向量化 ( Vector-Quantization ) 的視覺 Tokenizer,将視覺内容離散化成類似于大語言模型詞表的離散 Token。

現有方法雖取得進展,卻始終面臨兩大桎梏:

1、傳統視覺 tokenizer 生成的離散表征與 LLM 詞表存在顯著的分布偏差。

2、維度詛咒:影像的二維結構迫使大語言模型以逐行方式預測視覺 token,與一維文本的連貫語義預測存在本質衝突。

結構性與特征分布性的雙重割裂,暴露了當前自回歸視覺生成的重大缺陷:缺乏能夠既保證高保真影像重建,又能與預訓練 LLMs 詞匯表在結構上和特征分布上統一的視覺 tokenizer。解決這一問題對于實現有效的多模态自回歸建模和增強的指令遵循能力至關重要。

因此,一個核心問題是:

能否設計一種視覺 tokenizer,使生成的離散視覺 token 在保證高質量視覺重建的同時,與預訓練 LLMs 詞匯表實現無縫融合?

統一視覺 Token 與大語言模型詞表

最新開源的 V ² Flow tokenizer,首次實現了将視覺内容直接嵌入現有大語言模型的詞匯空間,在保證高質量視覺重建的同時從根本上解決模态對齊問題。總體而言,V ² Flow 主要包括三點核心貢獻:

視覺詞匯重采樣器。

如圖 1 ( a ) ,将影像壓縮成緊湊的一維離散 token 序列,每個 token 被表示為大語言模型(例如 Qwen、LLaMA 系列)詞匯空間上的軟類别分布。這一設計使得視覺 tokens 可以無縫地嵌入現有 LLM 的詞匯序列中。換言之,影像信息被直接翻譯成 LLM" 聽得懂 " 的語言,實現了視覺與語言模态的對齊。

在圖 1 ( b ) 中,經由重采樣器處理後,視覺 tokens 的潛在分布與大型語言模型(LLM)的詞匯表高度一致。這種在結構和潛在分布上的高度兼容性,能夠降低視覺 tokens 直接融入已有 LLM 的復雜性。

△  圖 1 視覺詞匯重采樣器的核心設計。

掩碼自回歸流匹配編碼器。

為了實現離散化視覺 token 的高保真視覺重建,V ² Flow 提出了掩碼自回歸流匹配解碼器。該解碼器采用掩碼 Transformer 編碼 - 解碼結構,為視覺 tokens 補充豐富的上下文信息。增強後的視覺 tokens 用于條件化一個專門設計的速度場模型,從标準正态先驗分布中重建出連續的視覺特征。在流匹配采樣階段,該解碼器采用類似 MA 的方式,以 "next-set prediction" 的方式逐步完成視覺重建。

相比于近期提出的僅依賴掩碼編碼器 - 解碼器結構的 TiTok,V2Flow 自回歸采樣的優勢是能夠在更少的視覺 token 數量下實現更高的重建質量,有效提高了壓縮效率。

△  圖 2 掩碼自回歸流匹配解碼器示意圖以及采樣階段算法流程

端到端自回歸視覺生成。

圖 3 展示了 V ² Flow 協同 LLMs 實現自回歸視覺生成的流程。為促進兩者無縫融合,在已有 LLM 詞匯表基礎上擴展了一系列特定視覺 tokens,并直接利用 V ² Flow 中的碼本進行初始化。訓練階段構建了包含文本 - 影像對的單輪對話數據,文本提示作為輸入指令,而離散的視覺 tokens 則作為預測目标響應。

在推理階段,經過預訓練的 LLM 根據文本指令預測視覺 tokens,直至預測到   token 為止。随後,離散視覺 tokens 被送入 V ² Flow 解碼器,通過流匹配采樣重建出高質量影像。

△  圖 3 V ² Flow 與預訓練 LLMs 融合實現自回歸視覺生成的整體流程。實驗結果

重建質量方面,V ² Flow 無論是在 ImageNet-1k 測試數據集的 256 和 512 分辨率下均取得了競争性的重建性能。

相比于字節提出的一維離散化 tokenizer TiTok 相比,V ² Flow 利用更少的離散 tokens 實現了更高質量的影像重建,顯著提高了整體壓縮效率。

文本引導影像生成方面,實驗結果表明,相比于當前兩種最先進的自回歸生成模型 Janus-Pro-7B 和 Lumina-mGPT-7B,V ² Flow+LLaMA2-7B 能夠更加準确地捕捉文本提示中的語義細節,展示了極具競争力的生成性能。

開源生态與團隊招募:共建多模态未來

開源承諾:讓技術普惠每一位探索者

開源是推動 AI 技術進化的核心動力。本次發布的 V ² Flow 框架已完整公開訓練與推理代碼庫,開發者可基于現有代碼快速復現論文中的核心實驗。更令人期待的是,團隊預告将于近期陸續發布:

512/1024 分辨率預訓練模型:支持高清影像重建與生成

自回歸生成模型:集成 LLaMA 等主流大語言模型的開箱即用方案

多模态擴展工具包:未來将支持視頻、3D、語音等跨模态生成任務

加入我們:共創下一代多模态智能

V ² Flow 作者團隊現招募多模态生成算法研究型實習生!如果你渴望站在 AI 内容生成的最前沿,參與定義自回歸架構的未來,這裡将是你實現突破的絕佳舞台。

我們做什麼?

探索文本、影像、視頻、語音、音樂的統一自回歸生成範式

構建支持高清、長序列、強語義關聯的多模态大模型

攻克數字人、3D 生成、實時互動創作等產業級應用難題

我們需要你具備:

硬核技術力

精通 Python,熟練使用 PyTorch/TensorFlow 等框架

深入理解 Diffusers、DeepSpeed 等 AIGC 工具鏈

在 CV/NLP 領網域頂級會議(CVPR、ICML、NeurIPS 等)發表論文者優先

極致創新欲

對多模态生成、自回歸架構、擴散模型等技術有濃厚興趣

曾在 Kaggle、ACM 競賽等獲得 Top 名次者優先

有開源項目貢獻或獨立開發經驗者優先

    投遞方式:[email protected]

論文鏈接:

https://arxiv.org/abs/2503.07493

開源項目鏈接:

https://github.com/Davinci-XLab/V2Flow

一鍵三連「點贊」「轉發」「小心心」

歡迎在評論區留下你的想法!

—  完  —

學術投稿請于工作日發郵件到:

[email protected]

标題注明【投稿】,告訴我們:

你是誰,從哪來,投稿内容‍

附上論文 / 項目主頁鏈接,以及聯系方式哦

我們會(盡量)及時回復你

點亮星标

科技前沿進展每日見

熱門排行
  • 王治郅:楊瀚森主要的問題是速度 他的速度跟不上現代籃球的節奏 王治郅:楊瀚森主要的問題是速度 他的速度跟 郟君昊 | 2025-05-05
  • 貿易戰燒進電影院:特朗普拟重稅打擊外國電影 逼好萊塢等回美拍片 貿易戰燒進電影院:特朗普拟重稅打擊外國電影 習又夏 | 2025-05-05
  • 貸款追高炒黃金的人後悔了!有人一天虧掉6年工資,賣掉舍不得,不賣扛不住 貸款追高炒黃金的人後悔了!有人一天虧掉6年 寸飛蘭 | 2025-05-05
  • 手機電池突破8000mAh?矽碳技術的回旋镖:「折壽」換容量 手機電池突破8000mAh?矽碳技術的回旋镖:「折 衛青柏 | 2025-05-05
  • 貸款追高炒黃金的人後悔了!有人一天虧掉6年工資,賣掉舍不得,不賣扛不住 貸款追高炒黃金的人後悔了!有人一天虧掉6年 繁綺文 | 2025-05-05
  • 任天堂對Genki提起Switch 2商标侵權訴訟,後者回應稱将嚴肅對待 任天堂對Genki提起Switch 2商标侵權訴訟,後 郜萌運 | 2025-05-05
  • 哪吒汽車APP和官網恢復正常 知情人士:之前斷網因流量欠費 哪吒汽車APP和官網恢復正常 知情人士:之前斷 袁曼雁 | 2025-05-05
  • 極越汽車 CEO 夏一平名下青島/義烏兩家公司被列入經營異常 極越汽車 CEO 夏一平名下青島/義烏兩家公司 集玲琳 | 2025-05-05
  • 全國經濟第一大省明确,推動組建農商聯合銀行 全國經濟第一大省明确,推動組建農商聯合銀行 佼昌翰 | 2025-05-05
  • 桑保利:亞馬爾有配合意識&有點像梅西 姆巴佩更專注進球&更像C羅 桑保利:亞馬爾有配合意識&有點像梅西 姆巴佩 甄正浩 | 2025-05-05
  • 高露現身上海虹橋機場 黑色外套點綴亮色愛心裝飾俏皮亮眼 高露現身上海虹橋機場 黑色外套點綴亮色愛 惠惠君 | 2023-05-02
  • 《歧路旅人2》:向光而生 《歧路旅人2》:向光而生 衛青柏 | 2023-05-02
  • vivo X90S曝光:處理器更新為天玑9200+ 安卓最強芯 vivo X90S曝光:處理器更新為天玑9200+ 安卓最 袁曼雁 | 2023-05-05
  • “懶癌”發病率上升,定期體檢别忽視 “懶癌”發病率上升,定期體檢别忽視 幸聽楓 | 2023-05-02
  • 宋慧喬獲百想視後 韓素希發圖手動加愛心表情慶祝 宋慧喬獲百想視後 韓素希發圖手動加愛心表 賁芳蕤 | 2023-05-02
  • 曹操墓,裡面都有啥? 曹操墓,裡面都有啥? 衛青柏 | 2023-05-02
  • 十年了,他們終于要HE! 十年了,他們終于要HE! 惠惠君 | 2023-05-07
  • 中央部署經濟工作,釋放5大信号 中央部署經濟工作,釋放5大信号 郜萌運 | 2023-05-02
  • 高德上線手機彎道會車預警功能 高德上線手機彎道會車預警功能 習又夏 | 2023-05-02
  • 陳自瑤抱病為愛女做蛋糕慶生,王浩信點贊沒露面 陳自瑤抱病為愛女做蛋糕慶生,王浩信點贊沒露 賁芳蕤 | 2023-05-02
  • 等比例長大的童星,李蘭迪算一個 等比例長大的童星,李蘭迪算一個 郟君昊 | 2023-05-02
  • 這些被抓來做實驗的流浪狗,最終拯救了無數糖尿病人 這些被抓來做實驗的流浪狗,最終拯救了無數糖 集玲琳 | 2023-05-02
  • 高端國產車:軍車血統,目前電動車越野的“天花板”? 高端國產車:軍車血統,目前電動車越野的“天花 謝飛揚 | 2023-05-02
  • 《雲襄傳》終于抬上來啦,男O女A讓人好上頭! 《雲襄傳》終于抬上來啦,男O女A讓人好上頭! 集玲琳 | 2023-05-02
  • 21家A股遊戲公司2022年收入651億 今年“遊戲+AI”能否逆風翻盤? 21家A股遊戲公司2022年收入651億 今年“遊 衛青柏 | 2023-05-04
  • 與周立波夫婦鬧糾紛成老賴,唐爽被司法拘留15日 與周立波夫婦鬧糾紛成老賴,唐爽被司法拘留15 寸飛蘭 | 2023-05-05
  • 信用風險釋放趨緩,結構性風險需重點關注 ——2023年一季度債市信用風險回顧與下階段展望 信用風險釋放趨緩,結構性風險需重點關注 — 袁曼雁 | 2023-05-02
  • 普京籤署總統令,批準對俄刑法典相關法條的修正案 普京籤署總統令,批準對俄刑法典相關法條的修 集玲琳 | 2023-05-02
  • 解除資格!停止一切合作 解除資格!停止一切合作 佼昌翰 | 2023-05-02
  • 中銀證券給予南京銀行增持評級 中銀證券給予南京銀行增持評級 袁曼雁 | 2023-05-03
  • 3699起 聯想小新mini主機上架 13代酷睿标壓處理器 3699起 聯想小新mini主機上架 13代酷睿标壓 習又夏 | 2023-05-05
  • 前董事長被免,天山生物全面進入“中植系”時代?股價曾在一月内暴漲超400% 前董事長被免,天山生物全面進入“中植系”時 惠惠君 | 2023-05-02
  • 瘋成這樣,怎麼還能被全網吹捧? 瘋成這樣,怎麼還能被全網吹捧? 郜萌運 | 2023-05-02
  • 狂吼11次“讓一下”!交警咆哮開道嘶吼到吐 狂吼11次“讓一下”!交警咆哮開道嘶吼到吐 寸飛蘭 | 2023-05-03
  • 摩根大通收購美國第一共和銀行 摩根大通收購美國第一共和銀行 謝飛揚 | 2023-05-02
  • 台劇赢麻了,又來一部8.9 台劇赢麻了,又來一部8.9 衛青柏 | 2023-05-02
  • 下降45分,上漲35分!34所自劃線院校復試分數線漲幅匯總 下降45分,上漲35分!34所自劃線院校復試分數線 袁曼雁 | 2023-05-07
  • 事關農村土地承包和農民權益,《農村土地承包合同管理辦法》5月1日起施行 事關農村土地承包和農民權益,《農村土地承包 郟君昊 | 2023-05-02
  • "三高"已盯上青少年,做好這件事是關鍵 "三高"已盯上青少年,做好這件事是關鍵 習又夏 | 2023-05-05
  • 五一檔沒一個能打的 五一檔沒一個能打的 集玲琳 | 2023-05-05
  • 恐怖韓劇下神壇,這次膽小可入 恐怖韓劇下神壇,這次膽小可入 袁曼雁 | 2023-05-05
  • 這劇是不是用ChatGPT寫的呀? 這劇是不是用ChatGPT寫的呀? 惠惠君 | 2023-05-02
  • 200戶連夜疏散,原因讓人憤怒!“損失超一億”,官方通報 200戶連夜疏散,原因讓人憤怒!“損失超一億”, 袁曼雁 | 2023-05-03
  • 性騷擾慣犯,滾出娛樂圈 性騷擾慣犯,滾出娛樂圈 謝飛揚 | 2023-05-05
  • 48歲何炅自曝已老花眼,黃磊睡前認老,《向往的生活》證實将停辦 48歲何炅自曝已老花眼,黃磊睡前認老,《向往的 佼昌翰 | 2023-05-02
  • 一個《長月燼明》倒了,《狐妖》《長相思》《與鳳行》…在路上了 一個《長月燼明》倒了,《狐妖》《長相思》《 惠惠君 | 2023-05-02
  • 張天愛假期曬“酷”存照 卷發披肩穿黑色吊帶裙大秀好身材 張天愛假期曬“酷”存照 卷發披肩穿黑色吊 嬴覓晴 | 2023-05-02
  • 當年輕人開始不随份子錢 當年輕人開始不随份子錢 袁曼雁 | 2023-05-02
  • 畢滢用8年時間成功逼宮?曾被傳已婚生子的她,不容小觑 畢滢用8年時間成功逼宮?曾被傳已婚生子的她, 幸聽楓 | 2023-05-03
  • 宋慧喬獲視後首次曬照,拿獎杯笑容溫柔 宋慧喬獲視後首次曬照,拿獎杯笑容溫柔 郜萌運 | 2023-05-02

©2022 大酷樂 版權所有

隱私政策 | 服務條款 | 聯繫我們