语言模型击败扩散模型,在视频和图像生成上实现双SOTA!
这是来自谷歌CMU最新研究成果。
据介绍,这是语言模型第一次在标志性的ImageNet基准上击败扩散模型。
而背后的关键组件在于视觉分词器(video tokenizer) ,它能将像素空间输入映射为适合LLM学习的token。
谷歌CMU研究团队提出了MAGVIT-v2,在另外两项任务中超越了之前最优视觉分词器。
大语言模型击败扩散模型
已经形成共识的是,大语言模型在各个生成领域都有出色的表现。比如文本、音频、代码生成等。
但一直以来在视觉生成方面,语言模型却落后于扩散模型。
团队认为,其主要原因在于缺乏一个好的视觉表示,类似于自研语言系统,能有效地对视觉世界进行建模。与自然语言不同,人类会对视觉世界尚未演化出最佳的词汇。而这也限制了大语言模型的视觉生成能力。
基于这样的判断,这篇研究主要完成了三项工作:
- 提出一种新的视觉tokenizer,在视觉生成、视频压缩以及动作识别都优于此前最优表现。
- 一种全新无查找(lookup-free)的量化方法,可通过学习大量词汇来提高语言模型的视觉生成质量;
- 首次有证据表明,在相同训练数据、等效模型大小和类似训练预算的条件下,语言模型在ImageNet上击败扩散模型。
据作者介绍,这也是视觉分词器首次成功地实现了与标准编解码器相媲美的效果。
在原有SOTA视觉tokenizerMAGVIT (Masked Generative Video Transformer)基础上,该方法主要完成了两种设计:无查找量化(Lookup-Free Quantization ,LFQ)以及图像-视频联合tokenizer。
最终在视频/图像生成,ImageNet 512×512和Kinetics-600,都优于Diffusion Model。
而在视频压缩、动作识别上,也优于以往的结果。
一作是北大校友
一作于力军目前是CMU计算机科学学院语言技术研究所博士生,师从Alexander G. Hauptmann教授,同时也是谷歌学生研究员。研究兴趣在于多模态基础模型,特别是多任务视频生成。
在来到CMU前,他在北大获得了计算机和经济学双学士学位。
在研究团队中也看到了其他不少华人面孔。
通讯作者蒋路,目前是谷歌研究院科学家以及CMU的兼职教授。
他的研究主要针对多模态大数据科领域,特别是鲁棒深度学习、生成式人工智能和多模态基础模型。
论文链接:
https://arxiv.org/abs/2310.05737
https://magvit.cs.cmu.edu/v2/