李飞飞、吴佳俊团队新作：不需要卷积和GAN，更好的图像tokenizer来了

文章预览

机器之心报道 机器之心编辑部 当我们看到一张猫咪照片时，大脑自然就能识别「这是一只猫」。但对计算机来说，它看到的是一个巨大的数字矩阵 —— 假设是一张 1000×1000 像素的彩色图片，实际上是一个包含 300 万个数字的数据集（1000×1000×3 个颜色通道）。每个数字代表一个像素点的颜色深浅，从 0 到 255。 为了更加高效地从成千上万张图像中学习，AI 模型需要对图片进行压缩。比如当前最先进的图像生成模型，第一步就是一个名叫 tokenization 的操作，用于执行此操作的组件叫 tokenizer。tokenizer 的主要目标是将原始图像压缩到一个更小、更易处理的潜在空间，使得生成模型能够更高效地学习和生成。因此，如何得到更好的 tokenizer 是该领域的研究者非常关心的问题。 在一篇新论文中，来自斯坦福大学李飞飞、吴佳俊团队的研究者提出了一种名叫 ………………………………