視覺 Tokenizer 的困境與破局

近年來，自回歸（Autoregressive, AR）模型在語言生成領(lǐng)域的成功激發(fā)了其在圖像生成領(lǐng)域的應(yīng)用，涌現(xiàn)出 DALL-E、Parti、VAR 和 LlamaGen 等代表性工作。這類技術(shù)高度依賴于 VQGAN 等視覺 Tokenizer，它負責將高維、冗余的像素空間映射到一個低維、緊湊的離散潛在空間，是決定生成模型上限的基石。

然而，以 VQGAN 為代表的傳統(tǒng) Tokenizer 通常需要從零開始訓(xùn)練，其訓(xùn)練目標由像素級重建損失函數(shù)主導(dǎo)，導(dǎo)致其產(chǎn)生的潛在空間：

1. 富含低層細節(jié)特征卻缺乏高層語義信息：能很好地還原圖像細節(jié)，但潛在編碼本身缺乏高層語義信息。
2. 較高的潛在空間冗余:VAGAN 基于圖像塊 (patch) 逐一進行量化，而圖像中的物體通常是不規(guī)則的區(qū)域，基于圖像塊的量化降低了 tokens 的編碼效率。
3. 無視結(jié)構(gòu)特性的表征：潛在空間的組織較為混亂，使得生成模型不僅需要更長的訓(xùn)練時間來學(xué)習(xí)其潛在空間分布，而且往往得借助 CFG（Classifier-Free Guidance, CFG）等技巧來實現(xiàn)高保真度的圖像生成，增加了模型推理時間。

與此同時，預(yù)訓(xùn)練的視覺基礎(chǔ)模型（Visual Foundation Models, VFMs），如 CLIP、DINOv2、SigLIP2 等，在提取豐富語義且可泛化視覺特征方面表現(xiàn)出了強大的能力。這些模型通過自監(jiān)督或語言監(jiān)督的方式進行訓(xùn)練，它們能夠有效抽象出圖像中的高層語義信息，因此這些預(yù)訓(xùn)練的視覺基礎(chǔ)模型大多應(yīng)用于圖像內(nèi)容理解任務(wù)當中。直接將其應(yīng)用于圖像重建和生成任務(wù)上卻鮮有人探索。

基于此，香港大學(xué) CVMI Lab 和階躍星辰 AIGC 團隊提出一個大膽假設(shè)：原本為視覺理解任務(wù)設(shè)計的預(yù)訓(xùn)練視覺基礎(chǔ)模型，其潛在特征是否也能直接作為圖像重建與生成的魯棒結(jié)構(gòu)化表征？

為了驗證這一猜想，我們探索了一個基礎(chǔ)視覺模型新的應(yīng)用新方向：用凍結(jié)的預(yù)訓(xùn)練視覺基礎(chǔ)模型構(gòu)造離散的視覺 Tokenizer，將其應(yīng)用于圖像重建和自回歸圖像生成任務(wù)上。

我們發(fā)現(xiàn)，相比于傳統(tǒng)的視覺 Tokenizer 模型，視覺基礎(chǔ)模型驅(qū)動的圖像 Tokenizer 在這兩項任務(wù)上均表現(xiàn)出優(yōu)異的性能。

• 論文標題: Vision Foundation Models as Effective Visual Tokenizers for Autoregressive Generation
• 論文地址: https://arxiv.org/pdf/2507.08441
• Huggingface: https://huggingface.co/papers/2507.08441
• Github:
• https://github.com/CVMI-Lab/VFMTok.git （Vanilla version）
• https://github.com/CVMI-Lab/VFMTok-RAR.git （Ultra version）

探索性發(fā)現(xiàn)

為了驗證視覺基礎(chǔ)模型 (VFMs) 能否構(gòu)造高質(zhì)量的視覺 Tokenizer，我們首次嘗試使用不同的凍結(jié)的預(yù)訓(xùn)練基礎(chǔ)視覺模型 (VFMs) 提取圖像特征，將其送入 VQGAN 的編碼器中進行端到端訓(xùn)練。訓(xùn)練階段只有量化器（quantilizer）和解碼器中的參數(shù)會進行更新，隨后用它完成自回歸圖像生成任務(wù)。

實驗表明：凍結(jié)的視覺基礎(chǔ)模型 (VFMs) 提取的圖像特征可以直接用于圖像重建，且訓(xùn)練好的視覺 Tokenizer 在自回歸圖像生成任務(wù)上的表現(xiàn)優(yōu)于傳統(tǒng)的視覺 Tokenizer 模型。

這一發(fā)現(xiàn)凸顯了預(yù)訓(xùn)練視覺基礎(chǔ)模型 (VFMs) 構(gòu)造高質(zhì)量視覺 Tokenizer 的巨大潛力。

核心思想

基于我們的探索性發(fā)現(xiàn)：凍結(jié)的視覺基礎(chǔ)模型 (VFMs) 可以直接構(gòu)造高質(zhì)量的視覺 Tokenizer 并進行端到端地訓(xùn)練，我們對構(gòu)造的視覺 Tokenizer 的結(jié)構(gòu)進行進一步的優(yōu)化 —— 利用視覺基礎(chǔ)模型 (VFMs)提取圖像的多層特征 (Multi-level Features Extraction)，這有助于同時捕獲圖像中的低層細節(jié)特征和高層語義信息。

同時，我們注意到現(xiàn)有的量化機制 (quantization) 都是對圖像塊 (patch) 逐一量化，而圖像中物體一般都是形狀不規(guī)則的，因此我們設(shè)計了區(qū)域自適應(yīng)的量化 (Region-Adaptive Quantization) 方案。該方案可以進一步降低潛在特征空間的冗余度，提高視覺 tokens 的利用效率。

此外，因為視覺基礎(chǔ)模型的參數(shù)是凍結(jié)的，因此在重建圖像內(nèi)容的同時，我們也設(shè)計了語義特征重建的目標函數(shù) (Semantic Reconstruction Objective)，來提升視覺 Tokenizer 的語義保真度。我們將基于視覺基礎(chǔ)模型 (VFMs) 的 Tokenizer 稱之為VFMTok。

VFMTok 架構(gòu)圖

關(guān)鍵技術(shù)細節(jié)

• 多層圖像特征提取 (Multi-level Features Extraction)

為了同時捕獲圖像低層細節(jié)特征和高層語義信息方便圖像重建，VFMTok 采用凍結(jié)的預(yù)訓(xùn)練的視覺基礎(chǔ)模型 (VFMs) 作為編碼器提取多層級語義特征。VFMTok 按照等間隔的方式從預(yù)訓(xùn)練基礎(chǔ)模型 (VFMs) 中提取多層特征 (multi-level features)。

• 區(qū)域自適應(yīng)量化 (Region-Adaptive Quantization)

為了實現(xiàn)區(qū)域自適應(yīng)量化 (Region-Adaptive Quantization) 機制，VFMTok 通過可學(xué)習(xí)「錨點查詢」（Anchor Queries）結(jié)合可變形注意力機制（Deformable Attention）自適應(yīng)地從多層級特征 (multi-level features) 中進行區(qū)域自適應(yīng)的特征采樣 (Region-Adaptive Sampling)。

這種方式能聚焦于采樣圖像中模式一致的區(qū)域。隨后，VFMToks 對可學(xué)習(xí)「錨點查詢」（Anchor Queries）進行量化 (quantization)。這種方式可以有效提升 token 的利用效率 —— 用更少的 tokens（256）來表征一張圖像。

• 語義重建目標（Semantic Reconstruction Objective）

因為視覺基礎(chǔ)模型在 Tokenizer 的訓(xùn)練階段參數(shù)是凍結(jié)的，因此 VFMTok 在重建圖像的同時，也會重建凍結(jié)的基礎(chǔ)模型（VFM）最后一層的語義特征。

為了實現(xiàn)這一點，VFMTok 解碼階段設(shè)計了一個共享的輕量級 Vision Transformer（ViT）。這個 ViT 接收區(qū)域自適應(yīng)量化后的 tokens，結(jié)合一個可學(xué)習(xí)的 mask token 以及一組可學(xué)習(xí)的位置編碼（Positional Embedding）作為輸入，分別產(chǎn)生用于圖像重建和語義重建的特征。共享 ViT 的設(shè)計既減少了參數(shù)量又保證了語義保真度。其雙重目標函數(shù)是：

訓(xùn)練完成后，VFMTok 可以被應(yīng)用于圖像自適應(yīng)回歸任務(wù)上，基于 next-token prediction 的方式生成高質(zhì)量的圖像內(nèi)容。

實驗亮點與分析

1.卓越的重建生成質(zhì)量與效率

大量實驗表明，基于視覺基礎(chǔ)模型 (VFMs) 構(gòu)造的視覺 Tokenizer——VFMTok，具備高質(zhì)量、高效率的圖像重建和自回歸圖像生成能力。

• 更好的圖像重建質(zhì)量：相較于傳統(tǒng)的視覺 Tokenizer，VFMTok 可以用更少的 token 數(shù)量（僅用 256 個）實現(xiàn)更優(yōu)的重建質(zhì)量（0.89 rFID， 215.4 rIS）和更高的碼本利用率 (100%)，超越了之前大部分傳統(tǒng)的離散 Tokenizers。

• 更快的生成訓(xùn)練收斂速度：相比于經(jīng)典的 VQGAN 這類 Tokenizer，VFMTok 能夠顯著提升自回歸模型訓(xùn)練階段的收斂速度 ——訓(xùn)練收斂速度提升了 3 倍。

• 更好的生成性能：在 ImageNet 256x256 的 class-to-image 生成任務(wù)上，VFMTok-1.4B 模型在參數(shù)量更少、訓(xùn)練迭代次數(shù)更少的情況下，自回歸生成性能超越了同類 LlamaGen-3B。此外，在接入更好的自回歸圖像生成框架 RAR 后，實現(xiàn)了SOTA 的圖像生成性能（gFID: 1.36）。

• CFG-free 優(yōu)越性：值得注意的是，VFMTok 在有無 CFG 的情況下性能幾乎一致（gFID: 2.07 vs 2.04），而 LlamaGen 則會從 2.19 急劇惡化至 9.38。這證明了其潛在空間具有極強的語義一致性，無需 CFG 即可實現(xiàn)高保真度的 class-to-image 圖像生成，可以進一步減少圖像生成時間。
• 更快的推理速度：由于 tokens 數(shù)量減半（256 vs. 576），自回歸模型的生成過程長度減半，推理速度因此獲得了約 4 倍的提升。

2.消融實驗的有力證明

僅使用凍結(jié)的 VFM 作為編碼器，線性探針準確率（linear probing）就從 VQGAN 的 23.1% 提升至56.4%。引入?yún)^(qū)域自適應(yīng)量化 (Region-Adaptive Quantization) 和語義特征重建 (Semantic Reconstruction Objective) 后，VFMTok 僅用 256 個 Token 就能在重建質(zhì)量（rFID 0.89 vs 0.95) 上全面超越使用 576 個 Token 的 VQGAN 基線 Tokenizer。

總結(jié)與展望

VFMTok 首次證明了凍結(jié)的視覺基礎(chǔ)模型 (VFMs) 提取的圖像特征能有效用于圖像重建與生成，同時可以提升 Tokenizer 語義表征能力，使自回歸 (AR) 圖像生成模型收斂更快，并能實現(xiàn) CFG-free 的高保真圖像合成。VFMTok 提出的區(qū)域自適應(yīng)量化機制，通過有效利用圖像區(qū)域的固有冗余實現(xiàn)緊湊編碼，在減少視覺 token 數(shù)量的同時提升性能，實現(xiàn)高效且高質(zhì)量的自回歸圖像生成。

大量實驗驗證了 VFMTok 在圖像重建和自回歸生成中的有效性，確立了預(yù)訓(xùn)練視覺基礎(chǔ)模型 (VFMs) 構(gòu)造高質(zhì)量、高效率 Tokenizer 的主導(dǎo)地位。

由此可見，利用 VFM 的先驗知識是構(gòu)建高質(zhì)量潛在空間的必由之路，也是構(gòu)建下一代 Tokenizer 的關(guān)鍵，這比任何從零開始的正則化或約束都更根本、更有效。預(yù)訓(xùn)練視覺基礎(chǔ)模型的巨大潛力值得我們在未來深入挖掘，最終可能探索出一個能夠有效兼容所有生成模型的、語義豐富、高質(zhì)高效的「統(tǒng)一 Tokenizer」。

VFMTok 論文與代碼均已公開，歡迎感興趣的同學(xué)閱讀、復(fù)現(xiàn)以及深入討論。

作者介紹

本文作者主要來自于香港大學(xué) CVMI Lab 和階躍星辰 AIGC 團隊。階躍星辰 AIGC 團隊主要致力于圖像生成底模、圖像編輯底模、世界模型以及 RL 后訓(xùn)練研究和落地。歡迎志同道合的同學(xué)交流和加入，一起為 AIGC 社區(qū)貢獻力量。