arXiv · 机器人与计算机视觉· Xiaotong Li, Zhengrong Yue, Xu Huang, Jialv Zou, Minhao Jing, Wenhao Yan, Haodong Li, Hai Huang, Bo Zhao, Yan Feng, Peng Pei, Xunliang Cai·· 9 天前AI 评分42
dNaViT:离散代码作为通用视觉表示的技术报告
dNaViT: Discrete Codes are General-Purpose Visual Representations
AI 导读
dNaViT 是一种基于冻结预训练编码器的离散原生分辨率视觉 Transformer,利用分组产品量化在保持语义与像素信息的同时扩展离散容量。该模型在 12 个视觉理解基准、4 个生成基准及图像编辑基准上表现匹配或超越专用基线,证明紧凑离散词汇可作为通用视觉货币。项目页面、代码、模型权重均已公开,属于技术报告状态。
来源:arXiv · 机器人与计算机视觉 · arxiv.org