Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

CODA: Repurposing Continuous VAEs for Discrete Tokenization

Created by
  • Haebom
Category
Empty

저자

Zeyu Liu, Zanlin Ni, Yeguo Hua, Xin Deng, Xiao Ma, Cheng Zhong, Gao Huang

개요

본 논문은 기존의 이산 토큰화 기법의 불안정한 학습, 낮은 코드북 활용률, 제한적인 재구성 품질 문제를 해결하기 위해, 연속 VAE를 이산 토큰화 기법으로 변환하는 CODA(Continuous-to-Discrete Adaptation) 프레임워크를 제안합니다. CODA는 압축과 이산화 과정을 분리하여, 이미 시각적 압축에 최적화된 연속 VAE를 활용함으로써 안정적이고 효율적인 학습을 가능하게 합니다. ImageNet 256x256 벤치마크에서 VQGAN보다 6배 적은 학습 비용으로 100%의 코드북 활용률과 8배 및 16배 압축에서 각각 0.43과 1.34의 뛰어난 rFID(재구성 FID)를 달성했습니다.

시사점, 한계점

•
시사점:
◦
연속 VAE를 활용하여 이산 토큰화의 안정성과 효율성을 크게 향상시켰습니다.
◦
기존 방법보다 훨씬 적은 학습 비용으로 높은 성능을 달성했습니다.
◦
높은 코드북 활용률과 뛰어난 재구성 품질을 보여주었습니다.
•
한계점:
◦
제안된 방법이 특정 연속 VAE에 의존적일 수 있습니다.
◦
다른 이미지 데이터셋이나 더 높은 압축 비율에서의 성능은 추가적인 실험을 통해 검증되어야 합니다.
◦
연속 VAE의 성능에 따라 CODA의 성능이 제한될 수 있습니다.
👍
Made with Slashpage