跳到主要内容
检索

# 分组乘积量化

1 篇关联报道

订阅更新
  1. arXiv

    视觉也能用离散词表:dNaViT 用一套码本同时做理解、重建与生成

    dNaViT 把图像编码成与语言 token 同构的离散码,用一套共享词表同时支撑视觉理解、图像重建、生成与编辑。它建立在冻结的预训练视觉编码器之上,通过残差调制补入重建所需的细节,再用分组乘积量化在不拉长空间序列的前提下扩大离散容量。在 ImageNet-1K 上,64 组量化的 dNaViT-G64 在 1024 个空间位置达到 32.90 dB PSNR 与 0.91 SSIM;配 Qwen3-8B 的 dNaViT-8B 在 OCRBench 得 885 分。

已读完全部报道