VFMTok

NeurIPS 2025｜VFMTok: Visual Foundation Models驱动的Tokenizer时代来临

视觉 Tokenizer 的困境与破局近年来，自回归（Autoregressive, AR）模型在语言生成领域的成功激发了其在图像生成领域的应用，涌现出 DALL-E、Parti、VAR 和 LlamaGen 等代表性工作。这类技术高度依赖于 VQGAN 等视觉 Tokenizer，它负责将高维、冗余的像素空间映射到一个低维、紧凑的离散潜在空间，是决定生成模型上限的基石。然而，以 VQGAN 为代表的传统 Tokenizer 通常需要从零开始训练，其训练目标由像素级重建损失函数主导，导致其产生的潜在空间：富含低层细节特征却缺乏高层语义信息：能很好地还原图像细节，但潜在编码本身缺乏高层语义信息。

10/28/2025 5:54:00 PM

机器之心

资讯热榜

OpenAI更新ChatGPT规则：10月29日起禁止医疗、法律与财务建议 eBay携手ChatGPT开启智能电商新时代，购物体验将全面升级！ Reddit CEO直言：AI聊天机器人并未带来流量红利，搜索仍是核心引擎从AI到泰勒·斯威夫特——源于生活的案例与启示看完刘润年度演讲，教你做好AI时代的能力迁徙！ OpenAI 开放 Sora2视频工具，面向美国、加拿大、日本和韩国用户 OpenAI年收入已远超130亿美元，上市计划仍遥遥无期谷歌推出新款 Vertex AI 代理构建工具，助力企业智能化

标签云

AI 人工智能 OpenAI AIGC 模型 ChatGPT DeepSeek 谷歌 AI绘画大模型机器人数据 Midjourney 开源 Meta AI新词微软智能用户 GPT 学习技术智能体马斯克 Gemini 图像 Anthropic 英伟达 AI创作训练 LLM 论文代码算法 Agent AI for Science 芯片苹果 Claude 腾讯 Stable Diffusion 蛋白质开发者生成式神经网络 xAI 机器学习 3D RAG 人形机器人 AI视频研究大语言模型生成具身智能百度 Sora 工具 GPU 华为计算字节跳动 AI设计大型语言模型 AGI 搜索视频生成场景深度学习架构生成式AI DeepMind 编程亚马逊视觉 Transformer AI模型预测特斯拉 MCP