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/
以上就是大语言模型击败扩散模型！视频图像生成双sota，谷歌cmu最新研究，一作北大校友的详细内容。