论文页面 - InsightTok: 通过离散分词提升文本与人脸保真度，实现自回归图像生成

来源: https://huggingface.co/papers/2605.14333 发布于 5月14日

#2 当日论文 (https://huggingface.co/papers/date/2026-05-18) 作者:

,

,

,

,

,

,

,

,

,

,

,

摘要

InsightTok 通过基于内容感知的感知损失改进了离散视觉分词，提升了文本和人脸重建效果，从而增强了自回归图像生成的质量。

文本和人脸是视觉生成中最具感知显著性且实践上最重要的模式之一，但它们对于建立在离散分词基础上的自回归生成器 (https://huggingface.co/papers?q=autoregressive%20generators) 仍然具有挑战性。一个核心瓶颈在于分词器 (https://huggingface.co/papers?q=tokenizer)：激进的下采样 (https://huggingface.co/papers?q=downsampling) 和量化往往会丢弃保留可读字形和独特面部特征所需的精细结构。我们将这一差距归因于标准离散分词器目标 (https://huggingface.co/papers?q=discrete-tokenizer%20objectives) 与文本可读性 (https://huggingface.co/papers?q=text%20legibility) 和面部保真度 (https://huggingface.co/papers?q=facial%20fidelity) 的对齐较弱，因为这些目标通常优化通用重建，同时均匀地压缩多样化的内容。为了解决这个问题，我们提出了 InsightTok，一个简单而有效的离散视觉分词 (https://huggingface.co/papers?q=discrete%20visual%20tokenization) 框架，通过局部化的、内容感知的感知损失 (https://huggingface.co/papers?q=perceptual%20losses) 来增强文本和人脸保真度。凭借一个紧凑的 16k 码本 (https://huggingface.co/papers?q=codebook) 和 16 倍下采样 (https://huggingface.co/papers?q=downsampling) 率，InsightTok 在文本和人脸重建上显著优于之前的分词器 (https://huggingface.co/papers?q=tokenizer)，且不牺牲通用重建质量。这些增益一致地转移到 InsightAR 的自回归图像生成 (https://huggingface.co/papers?q=autoregressive%20image%20generation) 中，生成具有更清晰文本和更忠实面部细节的图像。总体而言，我们的结果突显了在分词器 (https://huggingface.co/papers?q=tokenizer) 训练中采用专门监督以推进离散图像生成的潜力。

查看 arXiv 页面 (https://arxiv.org/abs/2605.14333) 查看 PDF (https://arxiv.org/pdf/2605.14333) GitHub9 (https://github.com/LeapLabTHU/InsightTok) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.14333)

在你的 agent 中获取这篇论文:

hf papers read 2605\.14333

没有最新的 CLI? curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2605.14333 即可从本页链接。

引用此论文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.14333 即可从本页链接。

引用此论文的 Spaces 0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2605.14333 即可从本页链接。

包含此论文的收藏 0

没有收藏包含此论文

将这篇论文添加到一个收藏 (https://huggingface.co/new-collection) 中即可从本页链接。