論文の概要: QuadTok: Quadtree Visual Tokenizer for Autoregressive Image Generation

• arxiv url: http://arxiv.org/abs/2610.10497v1
• Date: Wed, 07 Oct 2026 17:47:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.092178
• Title: QuadTok: Quadtree Visual Tokenizer for Autoregressive Image Generation
• Title（参考訳）: QuadTok: 自動回帰画像生成のためのQuadtree Visual Tokenizer
• Abstract要約: 視覚的トークン化と自己回帰画像生成のための新しいフレームワークであるQuadTokを紹介する。 2次元空間結合と1次元シーケンスレベルの柔軟性のギャップを埋める階層的なクワッドツリー構造を提案する。 われわれの947M GPTスタイル生成モデルは、ImageNetの256倍256$ベンチマークで2.08gFIDを達成する。
• 参考スコア（独自算出の注目度）: 34.72006307939604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce QuadTok, a novel framework for visual tokenization and autoregressive image generation. Compared to traditional approaches using 2D grids or 1D token sequences, we propose a hierarchical quadtree structure, bridging the gap between 2D spatial binding and 1D sequence-level flexibility. The QuadTok tokenizer dynamically allocates representational capacity to visually intricate areas while leaving homogeneous regions at a coarse resolution. Compared with a fixed 256-token grid, our ImageNet-trained tokenizer saves approximately 10% of tokens on ImageNet and 9% when transferred zero-shot to the COCO dataset, while maintaining comparable reconstruction fidelity. Furthermore, the natural causality introduced by the tree structure seamlessly enables autoregressive image generation. Conditioned on a quadtree topology supplied before generation, our 947M GPT-style generative model achieves a 2.08 gFID on the ImageNet $256 \times 256$ benchmark. Additionally, leveraging the strong spatial correlation preserved by the quadtree structure, the QuadTok generator enables zero-shot spatially controlled image generation capabilities. Code: https://github.com/myc634/QuadTok.
• Abstract（参考訳）: 視覚的トークン化と自己回帰画像生成のための新しいフレームワークであるQuadTokを紹介する。 2次元グリッドや1次元トークンシーケンスを用いた従来の手法と比較して,2次元空間結合と1次元シーケンスレベルの柔軟性のギャップを埋める階層的なクアドツリー構造を提案する。 QuadTokトークンは、粗い解像度で均一な領域を残しながら、視覚的に複雑な領域に表現能力を動的に割り当てる。 固定された256トークングリッドと比較して、ImageNetでトレーニングされたトークンライザは、ImageNet上のトークンの約10%を節約し、COCOデータセットにゼロショットを転送した場合、9%を保存します。 さらに、木構造によってもたらされる自然因果関係は、シームレスに自己回帰画像生成を可能にする。 生成前に供給されるクワッドツリートポロジに基づいて、947M GPTスタイルの生成モデルは、ImageNet $256 \times 256$ベンチマークで2.08gFIDを達成する。 さらに、クアッドツリー構造で保存された強い空間相関を利用して、クアッドトーク生成器はゼロショット空間制御画像生成機能を実現する。 コード:https://github.com/myc634/QuadTok.com

関連論文リスト

• NesTok: Nested Self-Aligned 1D Tokenizer for Autoregressive Image Generation [53.369637657900235]
  NesTokは、動的ビジュアルトークン化ツールに適したネストされた自己アライメントフレームワークである。 標準トレーニングよりも大幅に改善され、ImageNetで0.98のrFIDスコアを達成している。
  論文  参考訳（メタデータ） (2026-09-29T05:27:53Z)
• MacTok: Robust Continuous Tokenization for Image Generation [19.46209544955821]
  textbfMacTokは1D textbfContinuous textbfTokenizerで、コンパクトで堅牢な表現を学ぶ。 MacTokは、画像内の情報領域を強調するためにランダムマスキングとDINO誘導セマンティックマスキングの両方を適用している。 ImageNetでは、MacTokは256$times$256で1.44の競合gFID、SiT-XLで512$times$512で最先端の1.52を達成している。
  論文  参考訳（メタデータ） (2026-03-31T12:00:11Z)
• ResTok: Learning Hierarchical Residuals in 1D Visual Tokenizers for Autoregressive Image Generation [64.84095852784714]
  Residual Tokenizer (ResTok)は、画像トークンと潜在トークンの両方の階層的残基を構築する1Dビジュアルトークンライザである。 視覚的トークン化における階層的残差の復元はAR画像生成を著しく改善し,ImageNet-256ではわずか9ステップで2.34gFIDを達成した。
  論文  参考訳（メタデータ） (2026-01-07T14:09:18Z)
• Instella-T2I: Pushing the Limits of 1D Discrete Latent Space Image Generation [27.795313102716726]
  画像のコンパクトな離散表現のための1次元バイナリ画像ラテントを提案する。 提案手法は, 1次元ラテントのコンパクト性を維持しながら, 高分解能の細部を保存できる。 我々のテキスト・ツー・イメージモデルは、拡散と自己回帰の両方で競合する性能を達成した最初のモデルです。
  論文  参考訳（メタデータ） (2025-06-26T05:48:36Z)
• MaskBit: Embedding-free Image Generation via Bit Tokens [54.827480008982185]
  我々は,VQGANの実証的,体系的な検討を行い,近代化されたVQGANを導いた。 第2のコントリビューションは、ビットトークンを用いた埋め込み不要な画像生成が、ImageNet 256x256ベンチマークで1.52の最先端のFIDを達成することを示した。
  論文  参考訳（メタデータ） (2024-09-24T16:12:12Z)

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。