GigaTok: Scaling Visual Tokenizers to 3 Billion Parameters for Autoregressive Image Generation

要約

自己回帰（AR）画像生成では、視覚トークンザーは画像をコンパクトな離散潜在トークンに圧縮し、次のトークン予測を介した視覚生成のための下流の自己回帰モデルの効率的なトレーニングを可能にします。
視覚トークンザーをスケーリングすると画像の再構成の品質が向上しますが、多くの場合、下流の生成品質を低下させます。これは、既存の文献では適切に対処されていない課題です。
これに対処するために、視覚トークナーをスケーリングするときに画像の再構築、生成、および表現学習を同時に改善する最初のアプローチであるGigatokを紹介します。
潜在空間の複雑さの増大は、再構築と世代のジレンマの背後にある重要な要因として特定します。
これを緩和するために、セマンティックの正則化を提案します。これは、トークン剤機能を事前に訓練した視覚エンコーダーの意味的に一貫した機能と並べることを提案します。
この制約により、スケーリング中の過度の潜在スペースの複雑さが防止され、再構築と下流の自己回帰生成の両方で一貫した改善が得られます。
セマンティックな正則化に基づいて、トークン剤のスケーリングのための3つの重要なプラクティスを探ります。（1）1Dトーナイザーを使用して、より良いスケーラビリティを使用して、（2）エンコーダーとデコーダーの両方を拡張するときにデコーダースケーリングを優先し、（3）エントロピー損失を使用して、BELLIONSCALEトークンザーのトレーニングを安定化するためにエントロピー損失を使用します。
Gigatokは、$ \ BF {3 \ space 10億} $パラメーターにスケーリングすることにより、再構築、下流のAR生成、および下流のAR表現品質の最先端のパフォーマンスを達成します。

要約(オリジナル)

In autoregressive (AR) image generation, visual tokenizers compress images into compact discrete latent tokens, enabling efficient training of downstream autoregressive models for visual generation via next-token prediction. While scaling visual tokenizers improves image reconstruction quality, it often degrades downstream generation quality — a challenge not adequately addressed in existing literature. To address this, we introduce GigaTok, the first approach to simultaneously improve image reconstruction, generation, and representation learning when scaling visual tokenizers. We identify the growing complexity of latent space as the key factor behind the reconstruction vs. generation dilemma. To mitigate this, we propose semantic regularization, which aligns tokenizer features with semantically consistent features from a pre-trained visual encoder. This constraint prevents excessive latent space complexity during scaling, yielding consistent improvements in both reconstruction and downstream autoregressive generation. Building on semantic regularization, we explore three key practices for scaling tokenizers:(1) using 1D tokenizers for better scalability, (2) prioritizing decoder scaling when expanding both encoder and decoder, and (3) employing entropy loss to stabilize training for billion-scale tokenizers. By scaling to $\bf{3 \space billion}$ parameters, GigaTok achieves state-of-the-art performance in reconstruction, downstream AR generation, and downstream AR representation quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google