自VQGAN和Latent Diffusion Models等视觉生成框架问世以来，先进的图像生成系统通常采用两阶段架构：首先将视觉数据Token化或压缩至低维潜在空间，随后学习生成模型。传统Token化器训练遵循标准范式，通过MSE、感知损失和对抗性损失的组

模型 图像 token 图像token flowmo 2025-03-22 09:49  3

当我们看到一张猫咪照片时，大脑自然就能识别「这是一只猫」。但对计算机来说，它看到的是一个巨大的数字矩阵 —— 假设是一张 1000×1000 像素的彩色图片，实际上是一个包含 300 万个数字的数据集（1000×1000×3 个颜色通道）。每个数字代表一个像素

图像 吴佳俊 tokenizer 吴佳俊团队 图像token 2025-03-20 18:37  2