論文の概要: VibeToken: Scaling 1D Image Tokenizers and Autoregressive Models for Dynamic Resolution Generations

• arxiv url: http://arxiv.org/abs/2604.24885v1
• Date: Mon, 27 Apr 2026 18:08:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.543739
• Title: VibeToken: Scaling 1D Image Tokenizers and Autoregressive Models for Dynamic Resolution Generations
• Title（参考訳）: VibeToken:動的解像度生成のための1次元イメージトケナイザと自己回帰モデル
• Authors: Maitreya Patel, Jingtao Li, Weiming Zhuang, Yezhou Yang, Lingjuan Lv,
• Abstract要約: 本稿では,任意の解像度とアスペクト比に一般化した高分解能自己回帰(AR)画像合成手法を提案する。 コアとなるVibeTokenは、解像度に依存しない新しい1Dトランスフォーマーベースの画像トークンである。 任意の解像度をサポートするクラス条件のARジェネレータであるVibeToken-Genを提案する。
• 参考スコア（独自算出の注目度）: 40.88800032562637
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce an efficient, resolution-agnostic autoregressive (AR) image synthesis approach that generalizes to arbitrary resolutions and aspect ratios, narrowing the gap to diffusion models at scale. At its core is VibeToken, a novel resolution-agnostic 1D Transformer-based image tokenizer that encodes images into a dynamic, user-controllable sequence of 32-256 tokens, achieving a state-of-the-art efficiency and performance trade-off. Building on VibeToken, we present VibeToken-Gen, a class-conditioned AR generator with out-of-the-box support for arbitrary resolutions while requiring significantly fewer compute resources. Notably, VibeToken-Gen synthesizes 1024x1024 images using only 64 tokens and achieves 3.94 gFID; by comparison, a diffusion-based state-of-the-art alternative requires 1,024 tokens and attains 5.87 gFID. In contrast to fixed-resolution AR models such as LlamaGen -- whose inference FLOPs grow quadratically with resolution (11T FLOPs at 1024x1024) -- VibeToken-Gen maintains a constant 179G FLOPs (63.4x efficient) independent of resolution. We hope VibeToken can help unlock the wide adoption of AR visual generative models in production use cases.
• Abstract（参考訳）: 我々は、任意の解像度とアスペクト比に一般化し、スケールでの拡散モデルとのギャップを狭める、効率的で解像度に依存しない自己回帰(AR)画像合成手法を導入する。 VibeTokenは、解像度に依存しない新しい1Dトランスフォーマーベースの画像トークンライザで、32-256トークンの動的なユーザ制御可能なシーケンスに画像をエンコードし、最先端の効率性とパフォーマンスのトレードオフを実現する。 VibeToken上に構築されたVibeToken-Genは、任意の解像度をサポートするクラス条件のARジェネレータである。 特に、VibeToken-Genは64個のトークンのみを使用して1024x1024画像を合成し、3.94 gFIDを達成する。 LlamaGenのような固定解像度のARモデルとは異なり、FLOPは解像度(11T FLOPs at 1024x1024)で二次的に成長するが、VibeToken-Genは解像度に依存しない179G FLOPs(63.4倍効率)を維持している。 VibeTokenは、実運用のユースケースにおいて、ARビジュアル生成モデルを広く採用していけることを願っている。

関連論文リスト

• UniWeTok: An Unified Binary Tokenizer with Codebook Size $\mathit{2^{128}}$ for Unified Multimodal Large Language Model [50.68870074090426]
  我々はUniWeTokを紹介した。UniWeTokはUniified Multimodal Large Language Modelsのための統一された離散トークンである。 トレーニングフレームワークとして,個別トークンのセマンティックな抽出と生成を促進するために,プレポスト蒸留とジェネレーティブ・アウェア・プレファレンスを導入する。 我々は,UniWeTokの適応性を高めるために,様々な画像解像度と知覚に敏感なシナリオを横断する3段階のトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-15T15:07:19Z)
• InfGen: A Resolution-Agnostic Paradigm for Scalable Image Synthesis [51.81849724354083]
  現在の拡散モデルでは、解像度で計算要求が2倍に増加し、4K画像生成が100秒以上遅れる。 本稿では, 任意の解像度画像を1ステップ生成器を用いて, コンパクトなラテントで復号する手法を提案する。 InfGenは、4K画像生成時間を10秒未満にカットしながら、任意の高解像度の時代に多くのモデルを改善することができる。
  論文  参考訳（メタデータ） (2025-09-12T17:48:57Z)
• UniTok: A Unified Tokenizer for Visual Generation and Understanding [63.23796622553615]
  視覚生成および理解モデルは通常、画像を処理するために異なるトークン化器に依存する。 我々は、新しいマルチコードブック量子化機構を備えた統一トークン化システムUniTokを紹介する。 最終的なパフォーマンスに関しては、UniTokはImageNetで0.38 rFIDと78.6%のゼロショット精度で新記録を樹立した。
  論文  参考訳（メタデータ） (2025-02-27T17:47:01Z)
• SoftVQ-VAE: Efficient 1-Dimensional Continuous Tokenizer [45.720721058671856]
  SoftVQ-VAEは、ソフトカテゴリ後部を利用して複数のコードワードを各潜在トークンに集約する連続画像トークンである。 提案手法は,32または64個の1次元トークンを用いて256x256および512x512画像を圧縮する。 興味深いことに、SoftVQ-VAEは256x256画像を生成するために最大18倍の推論スループットを向上し、512x512画像に対して55倍である。
  論文  参考訳（メタデータ） (2024-12-14T20:29:29Z)
• An Image is Worth 32 Tokens for Reconstruction and Generation [54.24414696392026]
  Transformer-based 1-dimensional Tokenizer (TiTok) は、画像を1D潜在シーケンスにトークン化する革新的なアプローチである。 TiTokは最先端のアプローチと競合するパフォーマンスを実現している。 我々の最高性能の変種は、DiT-XL/2 (gFID 2.13 vs. 3.04) をはるかに上回りながら、高品質なサンプルを74倍高速に生成できる。
  論文  参考訳（メタデータ） (2024-06-11T17:59:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。