語言模型擊敗擴散模型，在視頻和圖像生成上實現(xiàn)雙SOTA！

這是來自谷歌CMU最新研究成果。

據(jù)介紹，這是語言模型第一次在標(biāo)志性的ImageNet基準(zhǔn)上擊敗擴散模型。

而背后的關(guān)鍵組件在于視覺分詞器（video tokenizer） ，它能將像素空間輸入映射為適合LLM學(xué)習(xí)的token。

谷歌CMU研究團隊提出了MAGVIT-v2，在另外兩項任務(wù)中超越了之前最優(yōu)視覺分詞器。

大語言模型擊敗擴散模型

已經(jīng)形成共識的是，大語言模型在各個生成領(lǐng)域都有出色的表現(xiàn)。比如文本、音頻、代碼生成等。

但一直以來在視覺生成方面，語言模型卻落后于擴散模型。

團隊認為，其主要原因在于缺乏一個好的視覺表示，類似于自研語言系統(tǒng)，能有效地對視覺世界進行建模。與自然語言不同，人類會對視覺世界尚未演化出最佳的詞匯。而這也限制了大語言模型的視覺生成能力。

基于這樣的判斷，這篇研究主要完成了三項工作：

• 提出一種新的視覺tokenizer，在視覺生成、視頻壓縮以及動作識別都優(yōu)于此前最優(yōu)表現(xiàn)。
• 一種全新無查找（lookup-free）的量化方法，可通過學(xué)習(xí)大量詞匯來提高語言模型的視覺生成質(zhì)量；
• 首次有證據(jù)表明，在相同訓(xùn)練數(shù)據(jù)、等效模型大小和類似訓(xùn)練預(yù)算的條件下，語言模型在ImageNet上擊敗擴散模型。

據(jù)作者介紹，這也是視覺分詞器首次成功地實現(xiàn)了與標(biāo)準(zhǔn)編解碼器相媲美的效果。

在原有SOTA視覺tokenizerMAGVIT （Masked Generative Video Transformer）基礎(chǔ)上，該方法主要完成了兩種設(shè)計：無查找量化（Lookup-Free Quantization ，LFQ）以及圖像-視頻聯(lián)合tokenizer。

最終在視頻/圖像生成，ImageNet 512×512和Kinetics-600，都優(yōu)于Diffusion Model。

而在視頻壓縮、動作識別上，也優(yōu)于以往的結(jié)果。

一作是北大校友

一作于力軍目前是CMU計算機科學(xué)學(xué)院語言技術(shù)研究所博士生，師從Alexander G. Hauptmann教授，同時也是谷歌學(xué)生研究員。研究興趣在于多模態(tài)基礎(chǔ)模型，特別是多任務(wù)視頻生成。

在來到CMU前，他在北大獲得了計算機和經(jīng)濟學(xué)雙學(xué)士學(xué)位。

在研究團隊中也看到了其他不少華人面孔。

通訊作者蔣路，目前是谷歌研究院科學(xué)家以及CMU的兼職教授。

他的研究主要針對多模態(tài)大數(shù)據(jù)科領(lǐng)域，特別是魯棒深度學(xué)習(xí)、生成式人工智能和多模態(tài)基礎(chǔ)模型。

論文鏈接：
https://arxiv.org/abs/2310.05737
https://magvit.cs.cmu.edu/v2/