在计算机视觉领域，如何高效地处理图像一直是研究的热点话题。近日，斯坦福大学的李飞飞教授和吴佳俊教授的团队发布了一项新的研究成果，提出了一种名为 “FlowMo” 的创新型图像 tokenizer。这种新方法在不依赖卷积神经网络（CNN）和生成对抗网络(GAN)的情况下，显著提升了图像重建的质量。
当我们看到一张猫咪的照片时，大脑可以瞬间识别出那是一只猫。然而，对于计算机而言，处理图像则显得复杂得多。计算机将图像视为庞大的数字矩阵，通常需要数百万个数字来表示每一个像素。为了使得 AI 模型能够高效学习，研究者们需要将图像压缩到更易处理的形式，这个过程称为 “tokenization”。传统的方法往往依赖于复杂的卷积网络和对抗性学习，但这些方法存在一定的局限性。
图源备注：图片由AI生成，图片授权服务商Midjourney
FlowMo 的核心创新在于其独特的两阶段训练策略。首先，模型在第一阶段通过捕捉多种可能的图像重建结果来学习，这样可以确保生成的图像多样性与质量并存。接着，第二阶段则专注于优化重建结果，使之更加接近原始图像。这一过程不仅提升了重建的准确性，也增强了生成图像的视觉感知质量。
实验结果显示，FlowMo 在多个标准数据集上的表现优于传统的图像 tokenizer。例如，在 ImageNet-1K 数据集上，FlowMo 的重建性能在多个比特率设置下都取得了最优成绩。尤其是在低比特率的情况下，FlowMo 的重建 FID 值为0.95，远超目前最好的模型。
李飞飞团队的这项研究标志着图像处理技术的一次重要突破，不仅为未来的图像生成模型提供了新的思路，也为各种视觉应用场景的优化奠定了基础。随着技术的不断进步，图像生成和处理将变得愈加高效和智能。
