Tag · 4 篇

向量量化

分布视觉语言模型13D 视觉与重建1生成模型与扩散1人脸与人体理解1

VQRAE: Representation Quantization Autoencoders for Multimodal Understanding, Generation and Reconstruction

提出用高维语义VQ码本（1536维）在统一分词器中同时输出连续语义特征和离散token，视觉研究者可借鉴其两阶段训练策略（先冻结编码器学码本，再自蒸馏联合优化）来构建兼顾理解与生成的视觉表征。

Topology-aware Feature Propagation for Unsupervised Non-rigid Point Cloud Correspondence

用拓扑感知的超点特征传播替代基于空间近邻的传播，并用向量量化码本增强特征以抵抗形状差异，可直接迁移到非刚性配准、形变跟踪与点云对应任务的特征提取环节。

Spherical Leech Quantization for Visual Tokenization and Generation

把无参数量化统一到格编码框架下，用 Leech 格（Λ24）在高维球面上做均匀量化，可直接替换 BSQ 等无查找量化器嵌入自回归图像生成与压缩管线，简化训练配方并改善重建-压缩折中。

LiveGesture: Streamable Co-Speech Gesture Generation Model

把全身动作按身体区域拆成因果离散词元、再用区域专家自回归模型加时空融合来建模，这套「流式分词器 + 分层自回归」的架构可直接迁移到其他需要零前瞻、任意长度输出的动作/姿态序列生成任务（如虚拟人驱动、动作预测）。