语言模型击败扩散模型，在视频和图像生成上实现双SOTA！

这是来自谷歌CMU最新研究成果。

据介绍，这是语言模型第一次在标志性的ImageNet基准上击败扩散模型。

而背后的关键组件在于视觉分词器（video tokenizer） ，它能将像素空间输入映射为适合LLM学习的token。

谷歌CMU研究团队提出了MAGVIT-v2，在另外两项任务中超越了之前最优视觉分词器。

大语言模型击败扩散模型

已经形成共识的是，大语言模型在各个生成领域都有出色的表现。比如文本、音频、代码生成等。

但一直以来在视觉生成方面，语言模型却落后于扩散模型。

团队认为，其主要原因在于缺乏一个好的视觉表示，类似于自研语言系统，能有效地对视觉世界进行建模。与自然语言不同，人类会对视觉世界尚未演化出最佳的词汇。而这也限制了大语言模型的视觉生成能力。

基于这样的判断，这篇研究主要完成了三项工作：

• 提出一种新的视觉tokenizer，在视觉生成、视频压缩以及动作识别都优于此前最优表现。
• 一种全新无查找（lookup-free）的量化方法，可通过学习大量词汇来提高语言模型的视觉生成质量；
• 首次有证据表明，在相同训练数据、等效模型大小和类似训练预算的条件下，语言模型在ImageNet上击败扩散模型。

据作者介绍，这也是视觉分词器首次成功地实现了与标准编解码器相媲美的效果。

在原有SOTA视觉tokenizerMAGVIT （Masked Generative Video Transformer）基础上，该方法主要完成了两种设计：无查找量化（Lookup-Free Quantization ，LFQ）以及图像-视频联合tokenizer。

最终在视频/图像生成，ImageNet 512×512和Kinetics-600，都优于Diffusion Model。

而在视频压缩、动作识别上，也优于以往的结果。

一作是北大校友

一作于力军目前是CMU计算机科学学院语言技术研究所博士生，师从Alexander G. Hauptmann教授，同时也是谷歌学生研究员。研究兴趣在于多模态基础模型，特别是多任务视频生成。

在来到CMU前，他在北大获得了计算机和经济学双学士学位。

在研究团队中也看到了其他不少华人面孔。

通讯作者蒋路，目前是谷歌研究院科学家以及CMU的兼职教授。

他的研究主要针对多模态大数据科领域，特别是鲁棒深度学习、生成式人工智能和多模态基础模型。

论文链接：
https://arxiv.org/abs/2310.05737
https://magvit.cs.cmu.edu/v2/