论文页面 - MixTok：基于全局 1D Token 与稀疏 2D 细化的自适应视觉 Tokenization

来源：https://huggingface.co/papers/2610.13181

摘要

高效的视觉 tokenization 需要在表示的紧凑性与细粒度图像内容的保留之间取得平衡。传统的基于网格的 tokenizer 在空间位置上均匀分配 token，尽管视觉复杂度并非均匀分布；而紧凑的 1D tokenizer 能够聚合全局信息，但往往难以保留局部细节。我们提出 MixTok，一种混合式视觉 tokenizer，它将紧凑的 1D 全局表示与用于局部细化的稀疏 2D token 相结合。一个内容自适应路由器根据细化优先级对候选位置进行排名，并在目标平均 token 预算下确定每张图像所需的 2D token 数量。在得分最高的位置，2D token 特征会替换从 1D 表示中恢复的空间特征，随后一个共享解码器从这些混合特征重建图像。在 ImageNet 256x256 上，MixTok 取得了极具竞争力的重建和生成性能，rFID 为 1.195、agFID 为 1.95，每张图像的平均内容 token 预算分别约为 128 和 131。

查看 arXiv 页面 (https://arxiv.org/abs/2610.13181) | 查看 PDF (https://arxiv.org/pdf/2610.13181) | 项目页面 (https://lcglichenge.github.io/MixTok-page/) | GitHub (https://github.com/LCGLiChenge/MixTok) | 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2610.13181)

在你的 agent 中获取此论文：

hf papers read 2610.13181

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

引用此论文的模型 0

暂无模型关联此论文

在模型的 README.md 中引用 arxiv.org/abs/2610.13181，即可从此页面链接该模型。

引用此论文的数据集 0

暂无数据集关联此论文

在数据集的 README.md 中引用 arxiv.org/abs/2610.13181，即可从此页面链接该数据集。

引用此论文的 Spaces 0

暂无 Space 关联此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2610.13181，即可从此页面链接该 Space。

包含此论文的合集 0

暂无合集包含此论文

将此论文添加到合集 (https://huggingface.co/new-collection) 即可从此页面链接。