因子化向量量化推进离散视觉标记
AI 总结
一篇新发布的 arXiv 论文提出因子化向量量化，通过对视觉特征的互补定维视图使用对称并行码本，缓解比特预算增加时的量化饱和。作者报告称，该模型在多模态理解上达到连续视觉表示的水平，并在九项指标平均值上分别超过 UniAR 和 Emu3-Chat 22.8% 与 59.2%。论文还称，该方法可与 Qwen3-VL 等连续表示模型竞争，并能处理细粒度 OCR 任务。
深度见解
这项工作为保留离散视觉标记中的语义信息提出了一种具体方法，而语义保真度正是采用统一下一词预测的多模态模型面临的核心问题。
Computer Science > Computer Vision and Pattern Recognition
arXiv:2610.37662 (cs)
[Submitted on 27 Oct 2026]
Title:Can Discrete Tokens Serve as Semantically Lossless Representations of Visual Signals?
Authors:Jialv Zou, Xiaotong Li, Zhengrong Yue, Xu Huang, Yaxin Luo, Wenhao Yan, Haodong Li, Wenyu Liu, Xinggang Wang
View a PDF of the paper titled Can Discrete Tokens Serve as Semantically Lossless Representations of Visual Signals?, by Jialv Zou and 8 other authors