Tag · 5 篇
离散码本
统一语言-动作理解与生成用于自动驾驶
Unifying Language-Action Understanding and Generation for Autonomous Driving
把语言与动作 token 统一进共享离散码本、并用轨迹生成描述文本的辅助理解目标，是可直接迁移到其他 VLA/具身策略学习中的对齐手段；C2F 两步粗到细解码则为自回归动作生成提供了可复用的加速范式。
从量化残差到连续提示词：面向视觉语言模型少样本类增量学习
Quantized Residuals to Continuous Prompts for Few-Shot Class Incremental Learning in Vision-Language Models
把 VLM 图文特征的残差当作补充细粒度线索的载体，并用离散码本量化残差子空间、再由分层提示词编码器解码成连续类自适应提示词，这套「残差量化→连续提示词」的接口可直接迁移到其他需要稳定+可塑的 VLM 增量适配场景。
LacTokGen：用 256 个词元生成 1024 像素图像的潜一致性分词器
LacTokGen: Latent Consistency Tokenizer for 1024-pixel Image Generation by 256 Tokens
LacTok 将离散视觉词元与预训练潜扩散模型的紧凑潜空间桥接，用 256 个词元表示 1024×1024 图像，为高分辨率自回归图像生成提供了一种高效的分词方案；其潜一致性解码器将多步采样压缩至 1-2 步，可直接用于像素级监督，这一思路可迁移到其他需要高效解码的生成任务中。
解耦视觉与语言：码本锚定的视觉自适应
Decoupling Vision and Language: Codebook Anchored Visual Adaptation
用离散码本把视觉编码器输出锚定到稳定词元空间，使编码器可独立微调而不改动投影器或 LLM，为视觉侧域自适应提供了一种与语言架构解耦的可复用方案。
一个风格只值一个编码：用离散风格空间解锁编码到风格的图像生成
A Style is Worth One Code: Unlocking Code-to-Style Image Generation with Discrete Style Space
把风格压缩成离散码本中的嵌入，再用自回归模型建模其分布，从而用单个数字码控制 T2I 扩散模型生成风格——这套「离散风格码本 + 自回归采样」的范式可直接迁移到个性化生成、风格 LoRA 替代方案等需要可复现、可枚举风格控制的任务。